برنامه‌های بهبود ژنتیک میگو

هوگو اچ.مونتالدو و ژوان سی.کوانتانا-کاسارز

چکیده

این فصل مروری کلی از اصول و جدیدترین نتایج پژوهشی برای طراحی برنامه‌های پرورش میگو را ارائه می‌دهد، و بر عناصر مورد نیاز برای فرایندهای تصمیم‌گیری و پایه‌های مفهومی و نظری چنین تصمیماتی تاکید دارد. اولین بخش به اصول پرورش میگو و مدل‌سازی ریاضی صفات کمی می‌پردازد و مسائل اولیه مرتبط با این فرایند را شرح می‌دهد. به طور خاص، این بخش به بررسی اهداف اصلی دخیل در به کارگیری مدل‌های پرورش سنتی در پرورش حیوانات می‌پردازد، از جمله تخمین پارامترهای ژنتیک، پیش‌بینی ارزش پرورش سنتی، پیش‌بینی ارزش‌های اصلاحی ژنومی، روش‌های محاسبه پاسخ انتخابی و انتخاب تک یا چند صفت و مبانی طراحی برنامه‌های پرورش میگو، مسائل اساسی مرتبط با انتخاب و ارزیابی ژنومی، تعاملات محیطی ژنوتیپ x و مسائل مرتبط با حفظ تغییرپذیری ژنتیک در جمعیت‌های پرورشی، از جمله اندازه موثر جمعیت، حرکت و هم‌خونی در زمینه پرورش میگو. در نهایت، این بخش به تجزیه و تحلیل مسائل مرتبط با طراحی پایه‌ی برنامه‌های انتخاب و جنبه‌های ژنتیک مرتبط با مهاجرت و آمیخته‌گری می‌پردازد. بخش دوم این فصل، که بر پرورش کاربردی میگو متمرکز است، داده‌هایی را از تحقیقات فعلی با تاثیر بر پرورش، از جمله صفات مدنظر در برنامه‌های انتخاب میگو، با تاکید خاص بر انتخاب برای مقاومت در برابر بیماری، ارائه می‌دهد. تحقیقات درخصوص استفاده از انتخاب به کمک نشان‌گر، انتخاب ژنومی، ویرایش ژنوم، و اثرات درون‌گروهی و بهینه‌سازی برنامه‌های پرورش برای میگوها نیز شرح داده شده‌است. هدف این فصل، ایجاد پلی بین اصول علمی و تحقیقات فعلی از یک سمت و پرورش کاربردی میگو از سوی دیگر است که گفتگوهای چندرشته‌ای بین علم و صنعت را رقم می‌زند.

مقدمه

در این فصل، درخصوص برخی اصول کمی ژنتیکی بنیادی و هم‌چنین تحقیق و توسعه در پرورش میگو از زمان انتشار نسخه پیشین کتاب میگو بحث خواهیم کرد. خواننده را به مرتبط‌ترین فصل در همان کتاب(کوک و همکاران، 2010) و سایر آثار(جدرم و بارانسکی، 2010؛ جدرم و رای ،2018؛ جدرم و تودسن، 2005؛ موس و همکاران، 2019، 2012) برای جنبه‌های تاریخی پرورش آبزی‌پروری و مروری اجمالی از پرورش میگو با استفاده از تجارب حاصل از پرورش میگو و سایر گونه‌های آبزی‌پروری ارجاع می‌دهیم.

کاربرد عملی ژنتیک و روش‌های آماری تحت هدایت اصول اساسی پرورش قرار دارد. بنابراین، آگاهی از شماری از این اصول اساسی برای طراحی برنامه‌های پرورش برای هرگونه و ارتقای یک گفتگوی سازنده بین اصلاح نژادگران، مدیران شرکت‌ها، و سایر متخصصان حاضر در چنین برنامه‌هایی ضروری است. برخلاف بسیاری از گیاهان دارای مکانیسم‌های تولیدمثل مانند خودبارورسازی و تکثیر رویشی که دارای بیش از دو دستگاه کروموزومی هستند، میگوها در خصوصیات دو سری کامل کروموزوم جور، تولیدمثل جنسی و جمعیت‌های چندریختی طبیعی، با آمیزش برون‌گروهی گیاهان، پستانداران، دوزیستان، خزندگان و سایر گونه‌های بندپایان وجه مشترک دارند(مرجع: وارت روپود همکاران، 2013). به جای مشارکت در یک مبحث کاملاً فنی، در اینجا یک رویکرد مفهومی را با تاکید بر این مطلب اتخاذ می‌کنیم که چه چیزی باید با یا مدیر ناظر بر پروژه‌های پرورش مطرح شود و مروری کلی از اصول اساسی و روش‌ها بایستی به منظور تسهیل یک گفتگوی چندرشته‌ای ارائه می‌دهیم. تمرکز اولیه بر توسعه برنامه‌های پرورش بعنوان فعالیت کاربردی مرتبط با اصول و برنامه‌ریزی، معمولاً در جهت تحقق اهداف کسب و کار مانند فروش ذخیره مولدین بهبودیافته برای پرورش و لاروها برای صنعت در حال رشد میگو خواهد بود.

اصول پرورش میگو

در این بخش نخست، مروری کلی از اصول عمده‌ی حاکم بر بهبود ژنتیک در میگو و کاربرد آنها در برنامه‌های واقعی پرورش ارائه خواهیم داد و راجع به ژنتیک کمی سنتی و جمعیت(کابالرو، 2020؛ فالکونر و ماکی، 1996؛هیل، 2010؛ لینچ و والش، 1998؛ والش و لینچ، 2018) و جنبه‌های جدیدتری بحث خواهیم کرد که از زمان انتشار آخرین کتاب میگو، روش‌های مبتنی بر کاربرد نشان‌گرهای DNA چندریختی نوکلئوتید را توسعه داده‌اند. این رویکردهای جدید تاحدود زیادی به انتخاب ژنومی(هوستون و همکاران، 2020؛ میوویسن و همکاران، 2013، 2016؛ میزتال و همکاران، 2020؛ میزتال و همکاران، 2019) و تشخیص جایگاه‌های مرتبط با صفات کمی، تحت عنوان جایگاه‌های صفت کمی ارتباط دارند(هوستون و همکاران، 2020؛ ولر، 2016).

مدل فنوتیپ برای یک جمعیت

توجه به ژنتیک در تولید آبزی‌پروری ریشه در این واقعیت دارد که عملکرد مشاهده شده‌‎ی هر جمعیت، یعنی فنوتیپ[1] برای صفات مرتبط بصورت مستقیم یا غیرمستقیم با بازاریابی حیوانات پرورشی و محصولات میگو، نتیجه‌ی دو عامل ابتدائی یعنی ژنتیک[2] و محیط[3] و هم‌چنین میانگین کل[4] است. فنوتیپ ممکن است به شکل معادله زیر نمایش داده شود:

[1] Phenotype(P)

[2] Genetic(G)

[3] Environmental(E)

[4] General mean(µ)

1)  P = µ + G + E

این مدل هم روش‌شناسی مبتنی بر تقریب‌ها و هم نمونه‌ای خوب از نبوغ انسان در استفاده از ابزار ریاضی برای اهداف عملی را با مثال نشان می‌دهد. این مدل که عمدتاً توسط آر ای فیشر در اوایل قرن بیستم توسعه یافت، شامل فرضیات و ساده‌سازی‌های فراوانی است. با این وجود، آزمایش این مدل نشان داده‌است که برای بسیاری از کاربردها، این مدل یک راهنمای مفید به منظور بهینه‌سازی انتخاب و سایر ابزار پرورش برای بهبود ژنتیک عملی در جمعیت‌های حیوانی است(کابالرو، 2020؛ هیل، 2020).

ایده‌ی اساسی این رویکرد آن است که بسیاری از جایگاه‌ها(شاید از دامنه ده‌ها تا هزاران عدد) در G جای گرفته‌اند، و هر کدام دارای اثرات افزایشی ناچیز هستند(کابالرو، 2020؛ هیل، 2020)، یعنی، این صفات پلی‌ژنیک هستند و بسیاری از اثرات محیطی تصادفی ملموس در E دخیل هستند(پس از تصحیح اندازه‌گیری P برای هر عامل محیطی قابل شناسایی مشخص، مانند مخزن، سال، مکان، قفسه‌ها، تاریخ اندازه‌گیری و سن)(ایسیک و همکاران، 2017). در چنین شرایطی، هم G و هم E متغیرهای تصادفی مستقل با توزیع نرمال خواهند بود، همانند P. در این زمینه و برای یک جمعیت خاص، بیشتر G افزایشی[5] خواهد بود. اثرات ژنتیک افزایشی همان اثراتی هستند که بیشترین پیشرفت ژنتیکی را از طریق انتخاب و رابطه بین والدین و نوزاد می‌شوند؛ علاوه بر این، سایر اثرات ژنتیک دخیل در G، مانند چیرگی یا غلبه[6] و تعامل اپیستاتیک[7]، معمولاً در مقایسه با اندازه A کوچک هستند و ردیابی آنها درون یا بین نسل‌ها دشوار است(هیل و همکاران، 2008). بنابراین، مدل مورد استفاده برای آنالیز صفات کمی با نگاهی به انتخاب بصورت زیر است:

[5] Additive(A)

[6] Dominance(D)

[7] Epistatic interaction(I)

2) P = µ + A + E

E در این مدل ممکن است شامل کسرهایی از اثرات ژنتیک از D و I باشد. تاثیر A تاثیر ژنتیک افزایشی یا ارزش پرورشی  است.

علی‌رغم تعداد چشم‌گیر مقالات آکادمیک برای ژن‌های تاثیر بزرگ، این مفهومی‌سازی بعنوان ابزار اولیه در درک تغییر و وراثت در صفات کمی ادامه می‌یابد(هیل، 2020).

واریانس‌ها، کوواریانس‌ها و پارامترهای ژنتیک

درست همان‌گونه که ارزش فنوتیپی به اثرات در معادله تجزیه می‌شود، تغییر فنوتیپی(با فرض اینکه مستقل هستند) را می‌توان برحسب واریانس‌ها برای این اثرات تعریف کرد:

V_P = V_A + V_E

که در آن، V_p واریانس فنوتیپی، V_A واریانس ژنتیکی افزایشی و V_E واریانس محیطی است. میانگین A و E صفر خواهد بود.

واریانس فنوتیپی به واریانس‌های محیطی و ژنتیکی مرتبط است: V_p = V_ph² + V_p(1-h²). در اینجا، h² وراثت‌پذیری محدود صفت مدنظر است، که بصورت نسبت واریانس فنوتپی بیان شده با اثرات ژنتیکی افزایشی(V_A/V_P) تعریف می‌شود و نسبت(1-h²) نیز نسبت V_P مرتبط با اثرات محیطی است(و احتمالاً برخی اثرات ژنتیکی دیگر). این مطلب ممکن است حاکی از آن باشد که وراثت‌پذیری، شیب رگرسیون خطی مقدار ژنتیک افزایشی در مقدار فنوتیپی(b_A,P) است. این مشخصه‌ی h²h آن را به پارامتر ژنتیکی مهم برای پیش‌بینی مقادیر ژنتیکی کاندیداها در انتخاب و پیش‌بینی پیشرفت به وسیله انتخاب تبدیل می‌کند(وان ولک، 1993). مقادیر واریانس V_P، V_A، V_E و h² پارامترهای ژنتیکی جمعیت هستند و بنابراین با صفت و جمعیت تحت مطالعه درون یک گونه تغییر می‌کنند. در اصل، هدف از انتخاب، تغییر میانگین اثرات ژنتیک است، برای اینکه مقدار میانگین فنوتیپ نیز تغییر می‌کند.

توضیح بالا برای یک صفت کمی معتبر است که ممکن است توسط واریانس‌های تعریف شده و مقدار h² مرتبط شرح داده شود. در زمان توجه به چندین صفت در یک زمان، باید کوواریانس‌های محیطی و ژنتیکی(و هم‌بستگی‌ها) را نیز مدنظر قرار دهیم(کابالرو، 2020؛ فالکونر و ماکی، 1996؛ مرو، 2014).

می‌توانیم مدل(2) را برحسب میانگین‌ها پس از انجام انتخاب به شکل زیر بنویسیم:

به منظور تغییر میانگین فنوتیپی اصلی یک جمعیت() به یک مقدار جدید  در یک جمعیت پرورشی، باید میانگین اصلی  = 0 را به مقداری جدید بعد از انتخاب() تغییر دهیم. تغییرات در ،  و  به ترتیب بصورت DP، DG و DE نمایش داده می‌شود که بیان‌گر تغییرات فنوتیپی، ژنتیکی و محیطی هستند. DG پیشرفت ژنتیکی یا پاسخ انتخاب خوانده می‌شود.

مدل حیوانی

در آنالیز داده‌های واقعی، مدل ژنتیکی افزایشی پایه(2) متناظر با یک مدل آماری(حیوانی) برای یک صفت کمی است.

در مدل حیوانی، سوابق فنوتیپی بصورت زیر تعریف شده‌است:

Y_ijk = f_i + a_j + e_ijk³

که در آن، y_ijk مشاهده‌ی یک صفت متناظر با سطح iام اثرات محیطی/ثابت[8] است، سطح jام اثرات حیوانی تصادفی/اثرات ژنتیکی افزایشی[9] و سطح ijkام اثرات محیطی باقی‌مانده تصادفی[10] است. این یک مدل ترکیبی است، چنانچه شامل اثرات تصادفی و ثابت است(ایسیک و همکاران، 2017). یک ویژگی خاص برای این مدل این است که روابط ژنتیکی بین اثرات حیوانی از طریق یک ماتریس رابطه شمارشگر افزایشی[11] مدنظر قرار می‌گیرند که نسبت مورد انتظار ژن‌های مشابه برحسب نژاد[12] که وجه مشترک دو حیوان است را تخمین می‌زند. ماتریس A_M از نیاکان به دست آمده‌است(ون ولک، 1993).

[8] Fxed/environmental efects(fi)

[9] Random animal efects/additive genetic efects(aj)

[10] Random residual environmental efects(eijk)

[11] Additive numerator relationship matrix(AM)

[12] Identical by descent(IBD)

اهمیت کاربردی راهکارهای حاصل برای اثرات ژنتیک مانند اثرات حیوانی با استفاده از مدل‌های ترکیبی شامل ویژگی‌های آماری آنها در زمان معلوم بودن واریانس‌ها به دست می‌آید. این ویژگی‌ها عبارتند از: (1) بهترین، (2) خطی، (3) بدون مخدوش کننده، (4) پیش‌بینی، که بیشتر تحت عنوان BLUP شناخته می‌شود. بهترین به این واقعیت اشاره دارد که پیش‌بینی ارزش‌های ژنتیکی تخمینی[13] ارزش ژنتیکی واقعی A دارای حداقل واریانس خطای پیش‌بینی[14] و ماکزیمم دقت(هم‌بستگی بین EBV و A) است و احتمال دستیابی به رتبه‌بندی صحیح تحت توزیع نرمال چندمتغیره ماکزیمم خواهد بود. خطی به این واقعیت اشاره دارد که پیش‌بینی تابعی خطی از داده‌هاست. نااریب حاکی از آن است که اثرات ثابت محیطی در معادلات مدل تصحیح می‌شوند تا راهکارها نااریب باشند. پیش‌بینی به دستیابی به مقدار یک سطح برای یک متغیر تصادفی است(هندرسون، 1984؛ مرود، 2014؛ ون ولک، 1993). یک متغیر BLUP با ویژگی‌های مشابه برای ارزیابی‌های ژنومی در ژنومیکBLUP[15] است، که مدل ترکیبی مشابه براساس آن تثبیت شده‌است، اما در اینجا یک ماتریس رابطه ژنومی[16] ساخته شده از تعداد بالای نشان‌گرهای ژنتیکی(معمولاً هزاران) به جای یک ماتریس A_M حاصل از نیاکان به کار می‌رود، یا یک ماتریس ترکیبی[17] شکل گرفته از A_M و G_M در GBLUP تک مرحله‌ای[18] برای تخمین بهتر ارزش‌های ژنتیکی حیوانات با استفاده از تمامی اطلاعات موجود درخصوص فنوتیپ‌ها و ژنوتیپ‌ها مورد استفاده قرار می‌گیرد(لورنسو و همکاران، 2020).

[13] Estimated breeding values(EBV)

[14] Var(EBV-A(

[15] Genomic BLUP(GBLUP)

[16] Genomic relationship matrix(GM)

[17] Combined matrix(HM)

[18] Single-step GBLUP(ssGBLUP)

سایر مدل‌ها علاوه بر مدل حیوانی پایه

تغییرات و افزایش‌های احتمالی فراوانی برای این مدل ژنتیکی افزایشی پایه وجود دارد و تغییرات متناظر نیز در مدل‌های آماری مورد استفاده برای آنالیز داده‌ها در پرورش حیوان به چشم می‌خورد. تغییرات کلیدی شامل موارد زیر هستند:

1. تاثیر G بر معادله(1) را می‌توان به اثرات افزایشی، غالب و اپیستاتیک تقسیم کرد. در بیشتر کاربردهایی که شامل انتخاب درون یک جمعیت هستند، G تنها شامل اثرات ژنتیکی افزایشی(A) است. ساختارهای خاص داده‌های خانوادگی برای تخمین واریانس‌های غالب و اپیستاتیک مورد نیاز هستند، اما در بیشتر موارد، این محاسبه‌ی تخمین‌ها دشوار خواهد بود و یک مقدار عملی نسبتاً محدود است، چنانچه انتظار می‌رود بخش اعظم واریانس ژنتیکی افزایشی باشد؛ بنابراین، بیشتر پاسخ ژنتیکی از اختلافات ژنتیکی افزایشی به دست خواهد آمد(هیل و همکاران، 2008). اثرات ژنتیکی غیرافزایشی ممکن است در پدیده‌های مرتبط با سیستم‌های جفت‌گیری مهم باشند، مثلاً در حضور جفت‌گیری بین حیوانات مرتبط(هم‌خونی) در یک جمعیت و جایی که جمعیت‌های مختلف جفت‌گیری می‌کنند(آمیزش برون گروهی). در یک خط پرورش و در دنیای واقعی، ما معمولاً خود را به اثر افزایشی محدود می‌کنیم که عمدتاً اثرات غیرافزایشی را برای اهداف پژوهشی کنار می‌گذاریم.
2. در برخی موارد، مدل‌هایی مانند پدر/مادر تو در تو(فالکونر و ماکی، 1996؛هرناندز-رویز و همکاران، 2020) و پدر – مادر(سالت و همکاران، 2010) را می‌توان بعنوان جایگزین برای مدل‌های حیوانی کلاسیک، بسته به خصوصیات اطلاعات موجود، به کار برد. علاو بر این، روش‌های جایگزین مرتبط با مدل‌های خطی تعمیم‌‎یافته را می‌توان در آنالیز صفات با توزیع‌هایی دور از وضعیت نرمال مورد استفاده قرار داد(گیلمور و همکاران، 1985).
3. اثر محیطی را می‌توان به چندین مولفه تقسیم کرد که با اثرات/واریانس‌های مشترک با گروه‌های خاصی از سوابق تقسیم کرد. این واریانس‌های مازاد متناظر با واریانس‌های مازاد بین فنوتیپ‌های جفت اعضای یک گروه مشخص هستند، اما نه بین اعضای گروه‌های مختلف. نمونه‌ای از اثرات محیطی که بر گروه‌ها تاثیر می‌گذارند، علاوه بر اثرات محیطی تصادفی معمول، همان اثرات محیطی رایج مرتبط با خانواده‌های برادران و خواهران تنی(اثرات c) هستند که بصورت اثر حیوانی مستقل مازاد مدل‌سازی می‌شوند. چنین اثرات تصادفی علاوه بر اثرات حیوانی در مدل گنجانده می‌شوند و می‌توانند تاثیر مهمی بر تخمین‌های پارامترهای ژنتیکی میگوها داشته‌باشند(لوان و همکاران، 2020؛ مونتالدو، 2020؛ مونتالدو و همکاران، 2013).
4. بسیاری از متغیرهای مدل‌های مبتنی بر نشان‌گرهای زیستی برای جایگزینی یا تکمیل موارد حاصل از شجره مبتنی بر ماتریس رابطه ژنومی هستند که این ماتریس شامل هزاران نشان‌گر ژنتیکی SNP است. ماتریس‌های رابطه ژنومی به شیوه‌های مختلفی برآورد می‌شوند(میوویسن و همکاران، 2013)، اما همواره بیان‌گر شباهت ژنومی بین جفت افراد از یک جمعیت براساس شباهت آللی واقعی برای نمونه‌ای از نشان‌گرهای ژنتیکی هستند. بنابراین، برخلاف روابط مبتنی بر شجره یا تبار و تخمین‌های IBD، مقادیر در G_M صرفاً مقادیر مورد انتظار نیستند بلکه مقادیر مشاهده شده هستند، که تابع تغییر در نمونه‌برداری و وابسته به تعداد نشان‌گرهای مورد استفاده هستند(لورنسو و همکاران، 2015؛ میوویسن و همکاران، 2013، 2016 میزتال و همکاران، 2020؛ والر، 2016). روابط ژنومی این نسبت را تخمین می‌زنند که دو مورد براساس آلل‌های مشابه برحسب وضعیت[19] در آن مشترک هستند(لورنسو و همکاران، 2015).

[19] Identical by state(IBS)

کاربردهای مدل‌های ترکیبی در پرورش حیوانات

آنالیز داده‌ها با مدل‌های ترکیبی خطی(لینچ و والش، 1998؛ مرود، 2014) می‌تواند چندین هدف را دنبال کند.

1. برای تخمین پارامترهای ژنتیک، یعنی تخمین واریانس‌های مرتبط با اثرات مختلف ژنتیکی و محیطی(و هم‌چنین کوواریانس‌ها در مورد مدل‌هایی برای آنالیزهای چند صفتی) مورد نیاز برای(a) پیش‌بینی ارزش‌های ژنتیکی با روش‌های BLUPو GBLUP و(b) پیش‌بینی و بهینه‌سازی پاسخ انتخاب از برنامه‌های پرورش. روش‌های تخمین پارامترهای ژنتیکی می‌توانند مبتنی بر رویکردهای آماری مختلف باشند. در عمل، در حال حاضر تنها دو روش به کار می‌رود: (a) حداکثر احتمال محدود[20] و(b) بیزی[21]. هر دو روش برآوردهای دقیق و قابل قبولی انجام می‌دهند، مشروط به اینکه مدل و داده‌ها کافی باشند. دسته‌های اساسی پارامترهای ژنتیکی که مستقیماً از داده ها و معادلات مدل به دست می آیند عبارتند از واریانس‌ها(ژنتیک افزایشی، محیطی، فنوتیپی)، کوواریانس‌هایی که روابط بین صفت را می‌سنجند(ژنتیک افزایشی، محیطی، فنوتیپی) و پارامترهای مشتقی مانند h² (ژنتیک افزایشی، محیطی و هم‌بستگی‌های فنوتیپی) (جدرم و تودسن، 2005). اگر ضریب رابطه افزایشی بین موارد A و B برابر با a_AB باشد و واریانس صفت V_A باشد، کوواریانس افزایشی[22] بین آنها برابر با a_ABV_A است. این کوواریانس، اصل اساسی مورد استفاده در تخمین پارامترهای ژنتیکی و برای تخمین ارزش‌های پرورشی تحت مدل‌های اثرات ژنتیکی افزایشی(2) است(لینچ و والش، 1998؛ کابالرو، 2020).
2. برای پیش‌بینی EBVها، اثرات حیوانی نیز اثر ژنتیکی افزایشی یک EBV با تخمین به اصطلاح BLUP” سنتی” است که شامل اطلاعاتی از چندین منبع مانند فنوتیپ‌های والدین، فنوتیپ‌های نسبی جانبی، اطلاعات فنوتیپی فردی، و داده‌های فنوتیپی از فرزندان و ژنوتیپ‌ها است. در مورد آخر، مقدار ژنوتیپ‌ها برای انتخاب متناسب با موجودی یک جمعیت بزرگ و دارای رابطه ژنتیکی با فنوتیپ‌ها و ژنوتیپ‌ها برای نشان‌گرهای ژنتیکی هستند(میوویسن و همکاران، 201، 2016؛ سولبرگ و همکاران، 2008).
3. در ارزیابی‌های ژنومی، EBV مبتنی بر اطلاعات ژنومی کاندیداهای انتخاب(آزمایش جمعیت) و آگاهی از روابط بین SNP و فنوتیپ‌ها از طریق آن چیزی است که بعنوان جمعیت آموزشی شناخته می‌شود. با این وجود، تا آنجائی که برخی کاندیداهای انتخاب ژنوتیپی نمی‌شوند، ژنوتیپ‌ها و فنوتیپ‌های ترکیبی را می‌توان بصورت مشترک برای ارزیابی ژنتیکی مورد استفاده قرار داد. برای BLUP سنتی، EBV برای یک حیوان i را می‌توان بصورت زیر بیان کرد(ون رادن و ویگانز، 1991):

[20] Restricted Maximum Likelihood

[21] Bayesian

[22] COVAB

EBV_i = w₁PA_i + w₂YD_i + w₃PC_i

که در آن، PA_i میانگین EBV والد برای حیوان i است، YD_i انحراف بازده(فنوتیپ تنظیم شده برای راهکارهای تاثیر مدل به غیر از اثرات ژنتیکی افزایشی و خطاها) برای حیوان i است، و PC_i نقش فرزند برای حیوان i است.

EBV برای یک حیوان i زمانی که اطلاعات ژنومی در دسترس است، یعنی ارزش ژنتیکی برآورد شده، بصورت زیر است(ون رادن و رایت، 2013):

EBV_i = w₁PA_i + w₂YD_i + w₃PC_i + w₄GI_i

که در آن GI_i شامل اطلاعاتی از ژنوتیپ‌های حیوان i است و تمامی وزن‌ها تا 1 افزایش می‌یابند.

4. تخمین EBV یا GEBV را می‌توان برای پیش‌بینی پیشرفت ژنتیکی با میانگین‌گیری آنها برحسب سال تولد حیوانات به کار برد. تخمین‌ بهره‌های ژنتیکی برای ارزیابی نتایج برنامه‌های انتخاب مهم هستند(جدرم و تودسن، 2005).

انتخاب

در زمان تهیه یک برنامه‌ اصلاح نژاد، عموماٌ دو گزینه اولیه و نه ضرورتاً انحصاری مشترک برای بررسی وجود دارد: (1) انتخاب درون یک جمعیت واحد و(2) استفاده از چندین جمعیت‌ در یک انتخاب بین جمعیت‌ها و آمیزش برون گروهی.

انتخاب، که بصورت تولیدمثل تفاضلی موارد/ژنوتیپ‌ها تعریف می‌شود(کابالرو، 2020)، یکی از مهم‌ترین نیروهای تغییر موثر بر ساختار ژنتیکی یک جمعیت است. انتخاب، خواه بدون(انتخاب طبیعی) یا در وهله نخست با مداخله انسانی(انتخاب مصنوعی)، سبب بروز تغییر در فراوانی‌های آلل برای جایگاه‌های دخیل در کنترل فنوتیپی صفات کمی شده و فراوانی آلل‌های مطلوب را افزایش و فراوانی موارد نامطلوب را کاهش می‌دهد. برای یک صفت توارثی ساده که تنها توسط یک یا دو جایگاه کنترل می‌شود، به لحاظ تئوری امکان دنبال کردن این تغییرات در جایگاه‌های سببی وجود دارد، اما برای امکان‌پذیر ساختن این محاسبات، یا این جایگاه‌ها باید مشخص باشند یا یک نشان‌گر زیستی باید برای هر ژن سببی وجود داشته‌باشد. برای مثال، صفات کمی پیچیده تحت کنترل ده‌ها تا هزاران جایگاه، هر کدام با اثرات ناچیز، اصولا امکان دنبال کردن این تغییرات وجود دارد، اما دشواری‌های آماری و فنی قابل توجهی باقی می‌ماند، زیرا جایگاه بیشتر این ژن‌های کنترل‌کننده صفت در ژنوم، نامشخص است.

بنابراین، همانند رویه‌های بالا در تخمین واریانس‌های ژنتیک و ارزش‌های ژنتیکی، ما در اینجا به پیش‌بینی‌های انجام شده به کمک مقادیر حاصل در سطح جمعیت متکی هستیم و چنین پیش‌بینی‌هایی بیش از هر چیز به میانگین‌های فنوتیپی اشاره دارند. تغییرات در واریانس‌ها می‌تواند با انتخاب رخ دهد، اما پیش‌بینی آن دشوار است(والش و لینچ، 2018). همواره تغییرات در میانگین همان تغییرات مدنظر در چند نسل هستند، مثلاً در بهینه‌سازی برنامه‌های اصلاح نژاد تجاری.

پاسخ به انتخاب تک صفت

یک معادله کلی برای محاسبه‌ی پاسخ انتخاب در هر سال برای یک صفت کمی در یک جمعیت منتخب بصورت زیر است:

3)                                                    DG_y = (D_ms_EBVm + D_fs_EBVf) / (L_m + L_f)

که در آن، DG_y پاسخ انتخاب برای صفت منتخب در واحدهای اندازه‌گیری در هر سال است؛ D_m و D_f شدت انتخاب به ترتیب جنس نر و ماده هستند؛ s_EBVm و s_EBVf انحراف معیارها برای EBV به ترتیب برای جنس نر و ماده هستند؛ و L_m و L_f نیز بازه‌های نسل در جنس نر و ماده هستند. نیکولاس(1980) به بررسی محاسبات مورد نیاز در بسیاری از انواع جمعیت‌ها با جزئیات پرداخته‌است و انحرافاتی را برای محاسبه تغییر مورد انتظار پاسخ به اندازه جمعیت ارائه می‌دهد.

گزارشی تفصیلی از هر مولفه خارج از دامنه این فصل است، اما یک توصیف کلی به شرح زیر خواهد بود. شدت انتخاب[23] در هر جنس، برتری بیان شده برحسب واحدهای انحراف معیار انتخاب برای یک نسبت انتخابی از حیوانات است که طبق EBV رتبه‌بندی شده‌اند. یک توزیع نرمال معمولاً برای EBV در نظر گرفته می‌شود و تصور بر این است که حیوانات منتخب تمامی همان حیوانات با EBV بالاتر از یک سطح ثابت مشخص هستند، که نقطه برش (انتخاب برش) خوانده می‌شود.

[23] Selection intensity(D)

مقادیر شدت انتخاب برای برخی نسبت‌های انتخاب در جدول 6.1 بیان شده‌اند. یک نسبت منتخب پایین(اختلاف بیشتر بین میانگین اعضای انتخابی با توجه به میانگین جمعیت) بیان‌گر یک مقدار D بالاست: انتخاب بهترین کسر 0.01 برای پرورش، D = 2.660. بالعکس، اگر قرار باشد تمامی حیوانات برای پرورش حفظ شوند، یا حیوانات بصورت تصادفی انتخاب شوند، آنگاه این امر معادل انتخاب میانگین حیوانات خواهد بود؛ لذا، نسبت انتخاب برابر با 1 خواهد بود و بنابراین D = 0 است. برای جدول‌های کامل و توضیح بیشتر راجع به مفهوم D، مطالعات فالکونر و ماکی(1996) و ون کلرک (1993) را ببینید. زمانی که مقدار D یک فشار انتخاب استاندارد است، می‌توان آن را بین صفات و جمعیت‌ها مقایسه کرد.

جدول 6.1. شدت انتخاب طبق نسبت انتخابی برای یک صفت توزیع نرمال در یک جمعیت بزرگ

انحراف معیار EBVها، حاصل دقت انتخاب ضربدر انحراف معیار ژنتیک افزایشی صفت() درون هر جنسیت است. دقت انتخاب[24] هم‌بستگی بین مقدار ژنتیکی افزایشی واقعی(A) و EBV است.

مقادیر r_A,EBV بسته به اطلاعات مورد استفاده برای دستیابی به EBVها و h² تخمین زده خواهد شد. ک راهنمای تقریبی برای مقادیر احتمالی r_A,EBV، به‌دست‌آمده با صفحه‌گسترده اکسل A,EBV با دقت STEBV که توسط وان‌در وف (2017) توسعه یافته است، در جدول 6.2 ارائه شده است.

[24] Selection accuracy(rA,EBV)

جدول 6.2. برخی نمونه‌های دقت انتخاب در ارزیابی‌های حیوانی با شاخص‌های انتخاب مختلف با استفاده از داده‌های فردی، خانوادگی و ژنومی برای صفت کمی براساس دقت داده‌های موجود/EBV والد، h² و c².

دامنه دقت انتخاب بین صفر و یک است. مقادیر به نوع و میزان اطلاعات مورد استفاده در ارزیابی ژنتیکی حیوان بستگی دارند. شیوه‌های BLUP مبتنی بر اطلاعات ترکیبی بدون در نظر گرفتن اطلاعات فردی هستند، اما مقدار اطلاعات مازاد به نوع و میزان اطلاعات موجود و مقادیر پارامتر ژنتیک بستگی دارد. در جدول 6.2، می‌توانیم مشاهده کنیم که اطلاعات خانوادگی(EBV والد، فرزند، تمام اعضای خانواده) دقت بیشتری را بصورت نسبی با مقادیر کوچک در مقایسه با مقادیر بزرگتر برای h² ارائه می‌دهند. انتخاب خواهر یا برادر، که بصورت گسترده در آبزی‌پروری و در پرورش میگو بصورت خاص برای صفاتی اجرا می‌شود که نمی‌توان در تک تک حیوانات آنها را سنجید، یا در زمان انتخاب خانواده‌ها برای مقاومت در برابر بیماری از نتایج در گروهی از خواهر یا برادران، دقت‌های نسبتاً بالاتری را به همراه دارد، اما اینها تحت تاثیر منفی مقدار c² قرار می‌گیرند، که واریانس محیطی اعضای کامل خانواده بصورت کسری از واریانس فنوتیپی است. همانند انتخاب ترکیبی، EBVهای مبتنی بر BLUP در دستیابی به دقت بالا حتی در حضور اثرات c² مفید هستند.

GS تحت مدلی که از افراد نزدیک به هم در جمعیت‌های آموزشی و آزمایشی استفاده می‌کند(لی و همکاران، 2017) دقت بسیار مشابهی را به دست می‌آورد که از میانگین 50 فرزند به دست می‌آید، زیرا در هر دو مورد واریانس‌های درون‌خانواده در نظر گرفته شود. استفاده از آزمایش فرزند عموماً در میگوها منع می‌شود تا بازه‌های نسل کوتاهی که به لحاظ بیولوژیکی امکان‌پذیر هستند، حفظ شود و بنابراین پیشرفته‌ترین استراتژی‌های اصلاح نژاد در نظر گرفته‌شده، ارزیابی‌های ژنومی و برادر یا خواهر هستند(کاستیلو-جوارز و همکاران، 2015؛ یانز و همکاران، 2020)، در حالی که برنامه‌های ساده‌تر می‌توانند مبتنی بر انتخاب فردی برای جفت‌گیری تک جفتی(بنتسن و اولسن، 2002)، درون خانواده(مونتالدو و کاستیلو-جوارز، 2017) و برنامه‌های انتخابی انبوه ساده(جدرم و بارانسکی، 2010) باشند.

بازه نسل[25] میانگین سنی والدین در هنگام تولد حیوانات جایگزین است. مقادیر L به بیولوژی گونه‌ها، مدیریت ساختار سنی جمعیت و زمان لازم برای دستیابی به EBV از کاندیداهای انتخاب بستگی دارند(نیکولاس، 1980).

[25] Generation interval(L)

معادله(3) یک ابزار کلیدی برای بهینه‌سازی برنامه‌های اصلاح نژادی با افزودن روش‌های تخمینی اندازه جمعیت موثر و افزایش درون گروهی مرتبط و عدم وجود تغییر ژنتیک است.

اهداف پرورشی چندصفتی و معیارهای انتخاب

در بیشتر موارد، چندین صفت در بهبود ژنتیکی مدنظر قرار می‌گیرند. هدف اصلاح نژاد[26] یک عامل کلیدی برای تعیین مسیر و سرعت تغییرات از طریق پرورش در هر جمعیت انتخاب شده‌است. شاید اولین مسئله‌ای که باید تعریف شود، این باشد که BG یک ارزیابی کلی از مقدار هر صفت منتهی به سود است. لذا، برای مثال، BG با توجه به سه صفت بصورت زیر بیان می‌شود:

[26] Breeding goal(BG)

BG = g₁v₁ + g₂v₂ + g₃v₃

که در آن، g_i = ارزش ژنتیکی صفت iام و v_i­ = ارزش اقتصادی صفت iام است.

BG همیشه برداشتی از واقعیت است و شامل اتخاذ چندین تصمیم است. این احتمال وجود دارد که بسیاری از صفات به سود در هر وضعیت بیولوژیکی و اقتصادی کمک کنند، اما اغلب امکان پوشش همه آنها وجود ندارد، چون این امر مستلزم آگاهی از حداقل یک ارزش اقتصادی تقریبی و پارامترهای ژنتیک، نه تنها از صفت مدنظر، بلکه از پارامترهایی است که صفت را به سایر صفات در BG و موارد مدنظر بعنوان معیارهای انتخاب پیوند می‌دهند. صفات در BG معمولاً از صفات مدنظر در معیارهای انتخاب یا شاخص انتخاب[27] متفاوت هستند. SI مقدار مورد استفاده برای رتبه‌بندی و انتخاب کاندیداهای انتخاب است و به شکل زیر است، که در اینجا از یک نمونه با توجه به پنج صفت اندازه‌گیری شده‌استفاده می‌شود:

[27] Selection index(SI)

SI = b₁y₁ + b₂y₂ + b₃y₃ + b₄y₄ + b₅y₅

که در آن، b_i = وزن شاخص صفت iام و y_i = اندازه‌گیری صفت iام است. در این معادله، مقادیر y برای هر عامل ژنتیک و محیطی تصحیح می‌شود، برای اینکه این عوامل کاملاً قابل قیاس هستند.

در زمان استفاده از تخمین‌های BLUP-EBV به جای تخمین‌های SI-EBV برای انتخاب، شیوه‌ی بهینه برای پیش رفتن، ضرب EBV برای هر صفت حاصل در یک تحلیل چند صفتی(مرود و همکاران، 2014) در وزن اقتصادی نسبی آن برای تخمین آن چیزی است که در اینجا شاخص اقتصادی[28] می‌خوانیم. هر EBV ترکیبی از تمامی اطلاعات درخصوص هر صفت خواهد بود. کاربرد این روش نسبت به EBVهای آنالیز تک صفتی، تقریب‌های بسیاری خوبی را در بسیاری از کاربردها به دنبال خواهد داشت.

[28] Economic index(EI)

EI = v₁EBV₁ + v₂EBV₂ + v₃EBV₃

توسعه‌ی وزن‌های نسبی اقتصادی گام مهمی در اجرای هر برنامه انتخاب است. چندین تکنیک وجود دارد که ممکن است تا به اینجا مورد استفاده قرار بگیرند(ولر، 1994). تکنیک مورد استفاده توسط پونزونی و همکاران(2007) در ماهیان مستقیم و سرراست است و ممکن است برای معادلات سود متفاوت براساس فردی-حیوانی به منظور مدنظر قرار دادن صفات متعدد به کار گرفته شود(کامپوس – مونتز و همکاران، 2017؛ جانسن و همکاران، 2018). در مواردی که هیچ‌گونه اطلاعات اقتصادی در دسترس نیست، وزن‌ها را گاهی اوقات می‌توان از مقادیر مطلوب برای بهره‌های ژنتیکی نسبی صفات در هدف انتخاب به دست آورد(ولر، 1994). هشدارهای زیادی برای محاسبه ارزش اقتصادی موجود برای هر صفت به همراه چندین گزینه احتمالی درخصوص بخش زنجیره تولید که به سود دست می‌یابد و اینکه آیا بهینه‌سازی باید در هر حیوان یا هر واحد محصول انجام شود، وجود دارد(ولر، 1994). در هر صورت، بررسی مسئله و بیان حداقل تقریب‌ها از ارزش بالایی برخوردار است، بخصوص برای شرکت‌های پرورش‌دهنده.

پاسخ‌ها به انتخاب چند صفتی مبتنی بر تعمیم معادلات تک صفتی(3) و مستلزم استفاده از روش‌شناسی SI(ون ولک، 1993) و تخمین‌های ماتریس‌های واریانس – کوواریانس پارامترهای ژنتیک هستند(جدرم و تودسن، 2005؛ لینچ و والش، 1998).

انتخاب به کمک نشان‌گر و انتخاب ژنومی

ایده‌ها درخصوص استفاده از نشان‌گرهای ژنتیکی DNA در اصلاح نژاد حیوانات در وهله نخست حول مفهوم انتخاب به کمک نشان‌گر[29] متمرکز بودند. MAS بصورت افزودن اطلاعات درخصوص ژنوتیپ‌ها به EBV مبتنی بر پلی‌ژنیک برای تعداد اندکی از ژن‌ها با تاثیر بزرگ که در ژنوم شناسایی شده‌بودند، مجسم شد(ولر، 2016). اطلاعات حاصل از چند نشان‌گر مولکولی مرتبط با QTLها(یعنی، نواحی ژنومی مهار ژن‌ها با تاثیر معنادار بر صفت) را می‌توان در طرح‌های پرورش از طریق MAS اجرا کرد، اگر نسبت بالایی از تغییر ژنتیک در صفت را توجیه کنند(هوستون و همکاران، 2020؛ ولر، 2016؛ یانز و همکاران، 2020؛ زنگر و همکاران، 2019). اگرچه در اصل این احتمال وجود دارد که هر صفت کمی ممکن است توسط چندین جایگاه قابل تشخیص با تاثیر زیاد(QTLهای با اثرات عمده) در MAS کنترل شود، اما به طور کلی اثربخشی کاربردی این شیوه محدود بوده‌است، چون تعداد QTLهای بزرگ شناسایی شده معمولاً کم است و نسبت تغییرپذیری ژنتیکی افزایشی تبیین شده توسط QTLها برای بیشتر صفات کمی پایین است(هیل، 2010؛ ولر، 2016؛ ولر و رون، 2011). نمونه‌ای از یک استثنای قابل توجه برای موضوع بالا در آبزی‌پروری، نکروز پانکراسی عفونی بعنوان یک بیماری مهم در ماهی سالمون اقیانوس اطلس است. در این بیماری، نسبت قابل توجهی از کل واریانس برای مقاومت توسط یک QTL توجیه شده‌است که امکان گنجاندن آزمایش DNA برای بهبود ژنتیکی این صفت در نروژ و اسکاتلند را فراهم ساخته‌است(یانز و همکاران، 2014). با این وجود، در لیتوپنائوس وانامی، نتایج حاصل از یک مطالعه اسکن ژنوم هیچ شواهدی از ژن‌های عمده برای رشد نشان ندادند(کاتکار و همکاران، 2017).

[29] Marker-assisted selection(MAS)

علاوه بر این، اطلاعات هزاران نشان‌گر را می‌توان بصورت هم‌زمان در ارزیابی ژنتیکی برای ارزش‌های ژنتیکی برآورد شده در آن چیزی که تحت عنوان انتخاب ژنومی شناخته می‌شود، گنجاند(میوویسن و همکاران، 2013، 2016). مبنای GS، ردیابی اثرات QTLها در صفات کمی براساس اطلاعات نشان‌گر DNA است. نشان‌گرها می‌توانند به تخمین اثرات QTL بسته به ارتباط با آنها کمک کنند. این امر یک رابطه آماری را در سطح جمعیت تحت عنوان عدم تعادل پیوستگی ایجاد می‌کند. در برنامه‎‌های خانواده محور، مانند رایج‌ترین موارد در میگوها، افزایش پاسخ با استفاده از GS احتمالاً برای وزن متوسط باشد، اما می‌توان در افزایش مقاومت قابل توجه باشد، اگر جمعیت بزرگی ژنوتیپ و فنوتیپ را در هر نسل تجربه کنند(دای و همکاران، 2020؛ هوستون، 2017؛ هوستون و همکاران، 2020؛ نیلسن و همکاران، 2009؛ سونسن و میوویسن، 2009؛ یاناز و همکاران، 2014، 2020). GS یک روش امیدوارکننده برای بهبود ژنتیکی هر گونه حیوان یا گیاه‌ است، اما از تناسب بسیار خوبی با کاربرد برای انتخاب مقاومت در مقابل بیماری در گونه‌های آبزی‌پروری برخوردار است، چون نیازی به مواجهه با کاندیداهای انتخاب نیست(کاستیلو – جوارز و همکاران، 2015؛ هوستون و همکاران، 2020؛ یانز و همکاران، 2014). مزایای بالقوه‌ی GS نسبت به سایر استراتژی‌های انتخاب در پرورش میگوها به دقت انتخاب، بازه نسل، و شدت انتخاب بستگی دارد. کاربرد عملی آن نیز به هزینه‌های ژنوتیپ بستگی دارد. اگرچه مزایای مورد انتظار GS در میگوها به فراوانی حیوانات نیست(ولر، 2016)، اما با این وجود جالب و جذاب هستند(زنگر و همکاران، 2019).

تعاملات ژنوتیپ × محیط

در مواردی که اثرات محیطی بر ژنوتیپ‌ها در درجات مختلفی تاثیرگذار هستند، استقلال A و E از بین می‎رود، و ممکن است راجع به اثرات تعامل ژنوتیپ × محیط(G × E) صحبت کنیم. در این صورت، مدل فنوتیپ شامل یک عبارت تعامل مازاد است و مدل کلی(1) بصورت زیر اصلاح می‌شود:

P = µ + G+ E + G×E

وجود G×E ممکن است نتایج مورد انتظار برای استفاده از جمعیت‌ها یا حیوانات انتخاب شده در سایر شرایط محیطی یا پاسخ‌های انتخاب را کاهش دهد و بعنوان یک منبع مازاد تغییر عمل کرده و لذا h² را در بین محیط‌های آزمایشی کاهش دهد(ایسیک و همکاران، 2017؛ مونتالدو، 2001؛ سای لیم و همکاران، 2016). یک چاره کلی برای وجود G×E، انجام انتخاب حیوانات تحت شرایط مشابه با جمعیت تجاری یا حداقل تلاش برای مشابه نگه داشتن خصوصیات محیطی پایه تا حد امکان است(پونزونی و همکاران، 2008). یک نمونه محسوس از اثرات G×E بالا برای تولید زیست توده در مقایسه‌ی دو خط وانامی، مقاومت و حساسیت(ژنوتیپ‌ها)، در استخرها با(+) و بدون(-) شیوع بیماری نکروز هپاتوپانکراس/بیماری لکه سفید(محیط‌ها) در شمال غربی مکزیک مشاهده شد. میانگین نسبت تولید زیست توده در خطوط مقاومت: حساسیت در استخرهای + برابر با 16.3 بود، در حالی که در استخرهای – این مقدار 0.72 بود(گالاگا -مالدونادو و همکاران، 2020). در اینجا، اثرات G×E بین جمعیت‌های شجره خالص/دورگه و سطوح محیطی در زمینه انتخاب بهترین جمعیت/دورگه وجود دارند.

اثرات G×E برای روابط ژنتیکی بین وزن اندازه برداشت و بقا برای دوره رشد(65 تا 130 روز) درون خط مقاومت WSD شرح داده شده در بالا با استفاده از نتایج منتشر نشده از تحلیل داده‌های میدانی(2017) از شمال غربی مکزیک شامل استخرهایی با(+) یا بدون(-) شیوع AHPND/WSD حاصل در بازه زمانی 2015 تا 2017 نیز مشاهده شدند. هم‌بستگی ژنتیکی برای بقا بین استخرهای + و – کمتر(0.19) از هم‌بستگی بین استخرهای – و – (0.64) بود که نشان‌گر یک تاثیر قوی G×E است. این مطلب حاکی از آن است که انتخاب برای افزایش بقا در استخرهای – باید براساس داده‌های حاصل از این استخرها انجام شود، زیرا اطلاعات درخصوص بقا در استخرهای – به سایر ژن‌ها بستگی دارد. برای وزن در زمان برداشت، هم‌بستگی‌های ژنتیکی بین استخرهای + و – (0.74) و بین استخرهای – و – (0.94) تقریباً یکسان بودند که بیان‌گر اثرات G×E کوچکتر بود که با تخمین‌های پیشین بدون عفونت هم‌خوانی دارد(کامپوس مود و همکاران، 2009؛ کاستیلو – جوارز و همکاران، 2007). این اثرات بزرگ و کوچک G×E برای بقا و وزن به ترتیب بر استراتژی انتخاب بهینه و استفاده از داده‌های منابع مختلف تاثیر می‌گذارند. در اینجا، اثرات G×E بین ارزش‌های ژنتیکی افزایشی و سطوح محیطی در زمینه انتخاب درون یک جمعیت قرار دارند.

حفظ تنوع ژنتیکی و کنترل هم‌خونی

اندازه موثر جمعیت

اندازه یکی از مهم‌ترین ویژگی‌های ژنتیکی هر جمعیت است. اندازه جمعیت، در ارتباط با تعداد والدین، نسبت جنسیتی، سیستم جفت‌گیری، شیوه‌های انتخاب، بر روند تکامل از دست دادن تغییر ژنتیکی، تجمع درون گروهی و تغییرپذیری پاسخ انتخاب تاثیر خواهد گذاشت(دی روکامبوو همکاران، 2000؛ نیکولاس، 1980). به لحاظ کاربردی، یک تقریب ساده برای اندازه جمعیت ژنتیکی واقعی، اندازه جمعیت موثر[30] است، که بصورت اندازه یک جمعیت ایده‌ال تعریف می‌شود که نرخ مشابهی از رانش ژنتیکی بعنوان جمعیت تحت بررسی را تعریف می‌کند(کالابارو، 2020؛ دی روکامبو و همکاران، 2000؛ فالکونر و ماکای، 1996). این نرخ بصورت زیر برآورد می‌شود:

[30] Effective population size(Ne)

4) N_e = 4N_mN_f/(N_m + N_f)

که در آن، N_m تعداد جنس‌های نر و N_f تعداد جنس ماده مورد استفاده در هر نسل هستند. این فرمول N_e تمایل دارد که مقدار واقعی در جمعیت‌های انتخابی را با ضریب دو یا بیشتر بسته به تعداد فرضیاتی که در بیشتر جمعیت‌های حقیقی محقق نشده‌اند(مانند جفت‌گیری تصادفی، تعداد واقعی فرزند در هر والد، عدم انتخاب) را بیش از حد تخمین بزند. با این وجود، برآورد اصلی N_e یک ایده‌ی تقریبی را در اجرای تکامل احتمالی تنوع جمعیت فراهم می‌آورد. چندین روش برای تخمین N_e از داده‌های جغرافیایی، شجره‌ای، یا مولکولی پیشنهاد شده‌است(کابالارو، 2020؛ هووارد و همکاران، 2017). علاوه بر این، با توجه به اینکه N_e به تغییر در DG_y ارتباط دارد، دلیل دیگر برای حفظ یک مقدار مینیمم، حصول اطمینان از احتمال بالای دستیابی به تناسبی از پاسخ انتخاب مورد انتظار است(نیوکلاس، 1980).

انتخاب و از دست دادن تغییرپذیری ژنتیک در جمعیت‌های بسته

همان‌گونه که هر جمعیت انتخابی یک اندازه محدود دارد(کابالرو، 2020)، واریانس ژنتیکی افزایشی با نمونه‌بردای تصادفی(رانش ژنتیکی تصادفی) با نرخ 1 بر(2N_e) در هر نسل، از دست خواهد رفت(هیل، 2016). در این مورد، انتظار می‌رود که واریانس ژنتیکی افزایشی بصورت پیشرفته با انتخاب کاهش یابد، چنانچه فراوانی آلل به سمت مقادیر بی‌نهایت تمایل خواهد داشت. علاوه بر این، انتخاب باعث کاهش واریانس ژنتیکی افزایشی به دلیل به اصطلاح اثر بالمر[31] می‌شود که هم‌بستگی منفی بین آلل‌های مطلوب و نامطلوب در نسل‌های اول جمعیت انتخاب‌شده تا رسیدن به تعادل ایجاد می‌کند(کابالرو، 2020؛ دی روچامبو و همکاران، 2000). اگرچه تمامی این مکانیسم‌ها شناخته شده هستند، اما روش‌های پیش‌بینی چنین تغییراتی پیچیده ‌است، و بهترین کاری که می‌توانیم انجام دهیم، ارائه‌ی تقریب‌هایی با مقادیر واقعی است. در بسیاری از موارد، جمعیت پایه بصورت شفاف تعریف نمی‌شود و پارامترهای لازم برای محاسبه زیان در تغییرپذیری در دسترس نیستند. همان‌گونه که تصادفی بودن در نتیجه هر جمعیت با اندازه محدود واقعی دخیل است، هیچ پیش‌بینی قطعی دقیقی امکان‌پذیر نیست. بنابراین، شبیه‌سازی به ندرت برای سنجش تمامی عوامل فعال در این ارتباط مورد نیاز است. علاوه بر این عوامل، که تمایل دارند واریانس را کاهش دهند، جهش تمایل دارد تغییر ژنتیکی را دوباره احیا کند، حتی در طی دوره‌ی تعداد نسبتاً کمی از نسل‌ها و برای یک N_e کوچک، چنانچه با پاسخ انتخاب و تغییر مولکولی در آزمایش انتخاب مایز ایلینویز و خطوط طیور منتخب برای بیش از 50 نسل نشان داده شده‌است(هیل، 2016).

[31] Bulmer

مقادیر مینیمم تقریبی برای N_e در برنامه‌های اصلاح نژاد به منظور پیشگیری از کاهش جدی در تغییر ژنتیکی برای انتخاب و کاهش ناشی از هم‌خونی، بسته به هدف و افق زمانی موردنظر بین 50 و 100 هستند. برای حفظ بیشترین تغییرپذیری ژنتیکی، ارقام بالاتر هستند، یعنی بین 500 و 1000 (هیل، 2016؛ لینچ و لند، 1998). مونتالدو و همکاران(2011) مقادیر نسبتاً ثابتی را برای N_e (81-132) طبق آنالیز شش نسل در یک جمعیت منتخب از وانامی در مکزیک با استفاده از معادله(4) تخمین زدند. مقادیر N_e برآورد شده برمبنای روابط ژنتیکی از 193 به 58 کاهش یافت.

هم‌خونی

هم‌خونی نتیجه‌ی جفت‌گیری بین حیوانات مرتبط است. پیامدهای اصلی هم‌خونی عبارتند از افزایش نسبت موارد جورتخم در جمعیت و افزایش نسبت جایگاه‌های جورتخم در سطح فردی. هم‌خونی ناشی از این احتمال مازاد(در مقایسه با حیوانات با پایه هم‌خون در یک شجره) است که آلل‌های IBD کپی‌برداری شده از اجداد مشترک از طریق والدین خود به دیگران متصل می‌شوند(پیرچنر، 1985؛ راین، 1922). یک مفهوم مرتبط با بسیاری از کاربردهای مهم در اصلاح نژاد حیوانات، رابطه ژنتیکی افزایشی است(دی روچامبو و همکاران، 2000). رابطه ژنتیکی افزایشی(a_AB) بین افراد A و B بصورت تناسب آلل‌های IBD مشترک تعریف می‌شود و می‌توان آن را از شجره‌نامه تعیین کرد. این رابطه ژنتیکی افزایشی(صورت کسر) مبنایی برای تخمین ضریب هم‌خونی است. ضریب هم‌خونی برای مورد X، که فرزند موارد A و B است، نیمی از a_AB : (F_X) = 2.1a_AB است، که توسط رایت(1922) تعریف شده‌است.

در یک جمعیت محدود بسته، هم‌خونی محصول میانگین افزایشی رابطه بین اشخاص در بین نسل‌هاست، چنانچه افراد در آلل‌ها بصورت نزولی با گذر زمان مشترک هستند(کابالرو، 2020). تغییرات تصادفی در فراوانی آلل(رانش ژنتیکی) نیز به افزایش تناسب جایگاه‌های هم‌خون کمک می‌کند. رانش ژنتیکی و هم‌خونی همواره بعنوان تجسم مشابهی از بافت مشابه تلقی می‌شوند، زیرا هر دو به N_e ارتباط دارند؛ با این وجود، آنها پدیده‌های متفاوتی هستند. بسیاری از پیچیدگی‌های عملی و مفهومی در جمعیت‌های واقعی در ارتباط با این موضوع پدیدار شده‌اند، و در همه جا به آنها پرداخته شده‌است(لینچ و والش، 1998؛ لینچ و والش، 2018).

در سطح جمعیت، تغییر هم‌خونی در هر نسل(فالکونر و ماکای، 1996)، بصورت زیر تعریف می‌شود:

DF = 1 / (2N_e)

لذا، سطح هم‌خونی در زمان t، که بر حسب سال بیان می‌شود(پیرچنر، 1985)، به این صورت است:

F_t = 1 – (1 – [1/N_e])^t/l

که در آن، L میانگین بازه نسل برای پدرها و مادرها برحسب سال است.

در جمعیت‌های حیوانی دگرآمیخته، هم‌خونی عمدتاً پیامدی ناخواسته و نامطلوب از جمعیت‌های پرورشی کوچک تلقی می‌شود. معمولاً، خطوط پرورش آبزی‌پروری دارای اندازه جمعیت موثر نسبتاً کوچکی هستند و بنابراین افزایش هم‌خونی چیزی تلقی می‌شود که بایستی کنترل شود. دلیل عمده برای این امر، کاهش ناشی از هم‌خونی، کاهش بهره‌وری و صفات تناسب مرتبط با افزایش میانگین ضریب هم‌خونی در جمعیت است.

بیشتر اثرات کاهش ناشی از هم‌خونی، به افزایش نسبت‌های ژن‌های مغلوب مضر ارتباط دارند؛ بنابراین، در معنای گسترده، اثرات ژنتیک چیرگی مرتبط با این اثرات قلمداد می‌شوند(کابالرو، 2020؛ دیکرسون، 1973؛ پیرچنر، 1985). به لحاظ تئوری، کاهش ناشی از هم‌خونی بر بیشتر صفات تناسب تاثیرگذار است؛ با این وجود، این صفات تابع انتخاب طبیعی قوی هستند و نتایج آزمایشی و نظری نشان داده‌اند که اثرات کاهش ناشی از هم‌خونی بر صفات بقا در میگوها کوچکتر از رشد پس از چند نسل هستند(دی لوس ریوز – پرز و همکاران، 2015، 2017؛ موس و همکاران، 2007). افت اثرات کاهش ناشی از هم‌خونی برای صفات تولیدمثل در جنس ماده بین نسل‌ها در میگوهای هم‌نوع در آن چیزی که بعنوان تاثیر انتخاب طبیعی در مقابل آلل‌های مضر جورتخمی مغلوب تفسیر می‌شود مشاهده شده‌است، که در مقابل کاهش ناشی از هم‌خونی از طریق کاهش فراوانی چنین آلل‌هایی در پاکسازی ژنتیکی مقابله می‌کند(دی لوس ریوز – پرز و همکاران، 2017).

کنترل زیان‌ها در تنوع ژنتیکی

آگاهی از روابط ژنتیک بین تمامی حیوانات در یک جمعیت(ماتریس رابطه)، که از طریق اطلاعات نژاد یا نشان‌گرهای ژنتیکی DNA تخمین زده شده‌است، به اصلاح نژادگران اجازه می‌دهد که ‌استراتژی انتخاب – جفت‌گیری را برای حفظ تنوع ژنتیکی در جمعیت اجرا کرده و هرگونه افزایش در نرخ هم‌خونی را با استفاده از روش‌ها یا قواعد کاهش میانگین روابط بین جفت‌ها و حیوانات پرورشی از هر جنسیت را متوقف ‌سازند(میوویسن، 2009). قواعد ساده را می‌توان اجرا کرد، مانند تلاش برای حفظ اندازه یکنواخت خانواده، تعیین تعداد حداکثری جایگزینی‌ها از هر پدر و مادر، و تشکیل گروه‌های جفت‌گیری دایره‌ای(دی روچامبو و همکاران، 2000). روش‌های بیشتری توسعه یافته‌است که از الگوریتم‌ها برای محدود کردن جفت‌گیری بین حیوانات مرتبط در یک سطح مشابه از پاسخ انتخاب یا به حداکثر رساندن پاسخ انتخاب در یک سطح مجاز ماکزیمم افزایش در هم‌خونی با الگوریتم‌های مناسب استفاده می‌کنند(دی اگارو و همکاران، 2007؛ دی رو چامبو و همکاران، 2000؛ هنریون و همکاران، 2019؛ هووارد و همکاران، 2017؛ میوویسن، 2009). چند تخمین درخصوص کاهش احتمالی تغییرپذیر ژنتیک در گذر زمان برای برنامه‌های اصلاح نژاد وجود دارد. کالا و همکاران(2014) تغییرات در واریانس‌ها و وراثت‌پذیری برای وزن اندازه برداشت در یک جمعیت مکزیکی منتخب وانامی را تخمین زدند. براساس داده‌های هشت نسل، این پژوهش هیچ‌گونه تغییر منفی در واریانس‌ها یا وراثت‌پذیری‌ها برای این جمعیت نیافت، که با مقدار N_e منطبق بود، و دارای میانگین 74 بود.

اندرین تاهینا و همکاران(2013) شاهد کاهش‌های متوسط در وراثت‌پذیری‌ها در یک جمعیت وانامی انتخاب شده برای چهار نسل بودند؛ با این وجود، روند احتمالاً از دیدگاه آماری معنادار نبوده‌است.

بیشتر بهبودها برای متوازن ساختن بهتر پاسخ انتخاب و هم‌خونی/از دست دادن تنوع در یک جمعیت بسته موقت هستند. باز کردن جمعیت برای ماده ژنتیک دیگر از خارج، که در مورد میگوها می‌تواند ذخیره مولدین را از سایر هسته‌های ژنتیکی، حیوانات غیرمرتبط از استخرهای بیرونی در همان منطقه یا مناطق دیگر و حتی حیوانات وحشی در نظر بگیرد، بیان‌گر راهکارهای محسوس اما گاهی اوقات ضروری برای کاهش سریع سطوح هم‌خونی و ایجاد تغییر ژنتیکی برای جمعیت‌های بسته برای اهداف خاص، مانند ورود سریع ژن‌های مقاوم به بیماری، است. در بیشتر موارد بی‌نهایت، جایگزینی کلی یک جمعیت ممکن است حداقل بصورت موقت ضروری باشد تا نرخ‌های بقای منطبق با تولید سودده به دست آید(مرجع: گالاگا-مالدونادو و همکاران، 2020). تصمیمات درخصوص اینکه کدام رویکرد مناسب‌ترین گزینه‌است به شرایط خاص جمعیت بستگی دارد.

یک گزینه برای حفظ تغییرپذیری ژنتیکی، حفظ خطوط مضاعف‌شده با یک Ne نسبتاً بالا است. انتخاب ممکن است به ارزیابی‌های درون خانواده محدود شود(مونتالدو و کاستیلو-جوارز، 2017). در این صورت، اندازه جمعیت موثر دو برابر N_e برای همان جمعیت تحت جفت‌گیری تصادفی است(فالکونر و ماکای، 1996). این خطوط ممکن است کارکردهای دیگری نیز داشته‌باشند، مانند عمل بعنوان یک پشتیبان در مقابل رویدادهای فاجعه‌بار، انتخاب برای صفات بیشتر(هیل، 2016) و آزمایش استراتژی‌های نوین اصلاح نژاد.

ایجاد جمعیت‌های پایه و گلوگاه‌ها

وجود تغییرپذیری ژنتیکی برای صفاتی که باید در یک جمعیت پایه انتخاب شوند، یک پیش نیاز برای بهبود ژنتیکی است. کاهش تغییرپذیری ژنتیکی باعث کاهش نرخ پاسخ ژنتیکی در طی یک افق زمانی مشخص می‌شود. لذا، در برنامه‌های اصلاح نژاد میگو، ایجاد جمعیت‌های پایه با تغییر ژنتیکی بالا، و حفظ همان تغییر، از اهمیت بالایی برای بهبود مستمر برخوردار است و بنابراین کاملاً به برنامه‌های اصلاح نژاد عملی مرتبط است.

بیشتر زیان در تغییرپذیری ژنتیکی در طی کاهش شدید اولیه از یک جمعیت میگوی طبیعی رخ می‌دهد(گلوگاه ژنتیکی)، یعنی زمانی که جمعیت اولیه ایجاد می‌شود تا یک خط پرورش آغاز شود(مرجع: وال – اویتوا و همکاران، 2013). برخی تلاش‌ها در جهت افزایش تغییرپذیری ژنتیکی را می‌توان با استفاده از تعداد بالای پدرها و مادرها از چندین جمعیت برای ایجاد یک خط مبنا برای پرورش صورت داد. یک گزینه، استفاده از یک جمعیت ترکیبی شامل چندین منبع و به دنبال آن جفت‌گیری تصادفی برای ایجاد جمعیت‌های ترکیبی است(ویکرسون، 1973؛ هوالتسمارک و همکاران، 2006). تحقیقات نمی‌توانند شیوه ایده‌آل دقیق برای ایجاد جمعیت‌های جدید را نشان دهند، زیرا توازنی بین سطح ژنتیکی جمعیت اصلی، تعداد جمعیت‌های مورد استفاده و اندازه کل جمعیت و هر کدام از جمعیت‌های کمک‌کننده برقرار است. مدیریت تعداد بالای جمعیت‌ها و اجرای استراتژی‌هایی برای کنترل افت تنوع ژنتیکی با استفاده از شجره یا روابط ژنومی از دیدگاه عملیاتی پیچیده‌است(فرناندز و همکاران، 2014). این احتمال وجود دارد که ایجاد یک جمعیت ترکیبی ممکن است در اصل گزینه خوبی برای ترکیب صفات از چندین جمعیت و ایجاد یک صفت باشد که امکان تمرکز بر انتخاب را فراهم می‌سازد. با این وجود، این یک راهکار موقتی است، زیرا نیاز به ‌استفاده از تعداد کم حیوانات برتر انتخابی، N_e را در بین نسل‌های اصلاح نژاد کاهش می‌دهد.

یک علت شایع برای گلوگاه‌های ژنتیکی شدید در میگوها، استفاده از بازماندگان شیوع بیماری فاجعه‌بار برای اصلاح نژاد است. در مورد، وانامی، این احتمال وجود دارد که بسیاری از جمعیت‌ها این موقعیت را در طی انتخاب در مقابل ویروس سندروم تورا پشت سر گذاشتند، جایی که بازماندگانی که معرف کمتر از 2 درصد جمعیت بودند بعنوان پرورنده به کار رفتند، ظاهراً بدون اینکه کاهش محسوسی ناشی از هم‌خونی مشاهده شود، هرچند این مولفه سنجیده نشد(کوک و همکاران، 2009).

استفاده از هم‌خونی در برنامه‌های اصلاح نژاد

هم‌خونی را می‌توان بعنوان یک ابزار برای افزایش تغییر ژنتیکی در جمعیت‌هایی با هر اندازه از طریق جفت‌گیری قطعی بین خویشاوندان مورد استفاده قرار داد. جالب اینکه، پش‌بینی می‌شود که واریانس ژنتیکی افزایشی در یک جمعیت هم‌خون شامل مجموعه‌ای از خطوط هم‌خونی در مقایسه با یک جمعیت جفت‌گیری تصادفی بدون هم‌خونی افزایش می‌یابد. بنابراین، نه تنها هم‌خونی می‌تواند واریانس ژنتیکی افزایشی در یک جمعیت را مجدد توزیع نماید، بلکه می‌تواند مقداری از آن را نیز ایجاد کند. این دلیل اصلی این امر است که خطوط هم‌خونی در پرورش گیاهان به کار می‌روند(دیکرسون، 1973؛ هیکی و همکاران، 2017). توسعه‌ی برنامه‌های بهبود براساس خطوط درون‌زاد از دهه 1930 در حیوانات بزرگ به علت مسائل اقتصادی و عملی مرتبط با هزینه بالای هر حیوان، هزینه نگهداری از جمعیت‌های بزرگ، بازه‌های طولانی نسل‌ها، نرخ تولیدمثل پایین و دشواری‌های دستیابی به خطوط درون‌زاد در چند نسل غیرممکن تلقی شده‌است(دیکرسون، 1973). در حیوانات خشکی، مزایای مرتبط با آمیخته‌گری عموماً زمانی بیشتر هستند که از آمیزش‌های بین نژادهایی استفاده می‌شود که جمعیت‌های درون‌زاد هستند بدون اینکه مشکلاتی در ارتباط با ایجاد خطوط درون‌زاد داشته‌باشند. همان‌گونه که برخی از این محدودیت‌ها در میگوها وجود ندارند، و چون خطوط یا سویه‌های تعریف شده هنوز در بیشتر گونه‌های میگو شناخته نشده‌اند، شاید هم‌خونی را بتوان به شیوه‌های خلاقانه برای بهبود پاسخ‌های انتخاب مورد استفاده قرار داد(دیکرسون، 1973؛ پرچنر، 1985). با این وجود، مطالعات مبتنی بر برنامه‌ریزی مدل برنامه‌های اصلاح نژاد، از جمله ملاحظات اقتصادی، قبل از اجرا تضمین شده‌اند.

طراحی و بهینه‌سازی برنامه‌های انتخاب

ارزیابی برنامه‌های اصلاح نژاد از ملاحظات بیولوژیکی و اقتصادی مرتبط با پاسخ‌های انتخاب، هزینه‌های مرتبط برای یک استراتژی خاص آزمایش و انتخاب، و هزینه‌های مرتبط با افزایش نرخ هم‌خونی/از دست دادن تغییر ژنتیکی برای یک افق زمانی مشخص استفاده می‌کند(دی.اگارو و همکاران، 2007؛ دوپونت – نیوت و همکاران، 2006؛ جدرم و توسون، 2005؛ جانسن و همکاران، 2018؛ لیند و همکاران، 2012؛ انجیون، 2016؛ پونزونی و همکاران، 2017). در عمل، تصمیمات درخصوص عملیات اصلاح نژاد باید مبتنی بر ملاحظات کارایی اقتصادی و امکان‌سنجی باشد.

در زمان استفاده از انتخاب برای بهبود ژنتیکی میگوها، چندین روش ممکن است اجرا شود، از جمله انتخاب انفرادی، انتخاب درون خانوادگی، انتخاب ترکیبی، و GS (بنتسن و اولسن، 2002؛ کاستیلو- جوارز و همکاران، 2015؛ جدرم و تودسن، 2005؛ زنگر و همکاران، 2019). تمامی روش‌ها برای بهبود تمامی صفات مناسب نیستند، زیرا در بسیاری از موارد، ترکیبات روش‌ها را می‌توان در برنامه‌هایی به کار گرفت که ممکن است از انتخاب چندمرحله‌ای استفاده کنند(موتالدو، 2020).

یک بخش مهم در طراحی برنامه‌های اصلاح نژاد، تعیین بهترین طراحی ساختار جفت‌گیری است. بیشتر برنامه‌های انتخاب خانواده محور در میگوها در حال حاضر مبتنی بر ساختارهای پدر/مادر تو در تو به دست آمده با تقلیح مصنوعی با نسبت‌های پایین نر:ماده بین 1:1 و 1.5:1 یا طرح‌های جفت‌گیری زوج هستند که در آنها پدر و مادر(با نسبت‌های نر:ماده 1:1) برای ایجاد چندین خانواده با اعضای کامل به کار می‌روند(بنتسن و اولسن، 2002؛ جدرم و تودسن، 2005؛ انجیون، 2016). طراحی عاملی، که در آن پدر و مادر با تعدادی شریک جفت‌گیری می‌کنند، می‌تواند در جداسازی اثرات ژنتیک افزایشی، ژنتیک چیرگی، و اثرات مادری مفید باشد؛ با این وجود، افزایش دقت انتخاب گزینه دیگری است، اما این امر به توسعه بیشتر تکنیک‌های تولیدمثل کمکی در میگوها بستگی دارد(مونتالدو، 2020). طراحی‌های تو در تو با روابط تعداد کامل یا ناقص برادر و خواهر می‌توانند به بهبود جداسازی اثرات c از اثرات ژنتیکی افزایشی در مقایسه با جفت‌گیری تک زوج کمک کنند(مونتالدو، 2013). طراحی‌های جفت‌گیری عاملی امکان افزایش نرخ پاسخ ژنتیک و کاهش افت تغییرپذیری ژنتیکی در امتداد همان راستا را فراهم می‌سازند.

یک نوع برنامه انتخاب که همواره در انتخاب میگوها در برخی کشورها مورد استفاده قرار می‌گیرد، مانند اکوادور، برنامه‌ای است که از نشان‌گرهای ژنتیکی برای تولید مجدد شجره هر نسل استفاده می‌کند(پذیرش درجه‌ای از خطا) یا تلاش می‌کند تا روابط ژنتیکی بین کاندیداهای اصلاح نژادی بدون برچسب احیا شده از استخرهای میدانی رشد به حداقل برسد و بنابراین از استفاده از حیوانات بسیار مرتبط بعنوان پرورنده برای پیشگیری از افت سریع تنوع ژنتیکی در جمعیت اجتناب شود. این برنامه‌ها در بسیاری از جهات از سیستم‌های خانواده محور مانند برنامه‌های سنتی میگوی که در آنها تمامی کاندیداها اندازه‌گیری و برچسب‌ زده می‌شوند، متفاوت هستند(کامپوس-مونت و همکاران، 2013؛ جدرم و تودسن، 2005). چنین برنامه‌هایی مبتنی بر حفظ حیوانات وزن بالاتر که از استخرهای تولیدمثل احیا شده‌اند، هستند، چنانچه آنها از شرایط/چالش‌های محیطی موجود جان سالم به در برده‌اند و همین امر آنها را به کاندیداهایی برای اصلاح نژاد در جهت افزایش بازده(تولید زیست توده) تحت شرایط تجاری تبدیل کرده‌است. نرخ بقا نیز بصورت انفرادی انتخاب می‌شود، چون میگوهای بهبودیافته، بازماندگان هر چالش محیطی از جمله بیماری هستند. یک شیوه مشابه که در کلمبیا به منظور ایجاد جمعیتی با سطوح مقاومت ژنتیکی بالاتر نسبت به TSV براساس حیوانات بازمانده توسعه یافته‌است، ممکن است موفق قلمداد شود، حتی اگر برخی از جمعیت‌ها بسیار کوچک باشند(کوک و همکاران، 2009). مسئله اصلی برای این نوع برنامه این است که پی بردن به ارزش‌های واقعی پارامترهای ژنتیکی یا پیش‌بینی پاسخ‌های انتخاب بسیار دشوار است.

از آنجائیکه برنامه‌های مبتنی بر بهبود حیوانات از استخرهای رشد، باز مانع از بروز برخی موارد G×E مشاهده شده در سیستم‌های اصلاح نژادی جمعیت هسته‌ای می‌شوند، چنین برنامه‌هایی بایستی در اصل با ایجاد پیشرفت ژنتیکی برای شرایط تولید لازم عمل کنند. با این وجود، برخلاف برنامه‌های خانواده محور(مرجع:کامپوس-مونتس و همکاران، 2013؛ جدرم و تودسن، 2005)، هیچ مقاله‌ای درخصوص نتایج پیش‌بینی شده یا تخمین شده درارتباط با پیشرفت ژنتیکی یا افت در تغییرپذیری ژنتیکی وجود ندارد.

بازسازی شجره را می‌توان در بسیاری از زمینه‌های اصلاح نژاد برای برنامه‌های بهبود ژنتیکی میگو مورد استفاده قرار داد. همواره این استدلال مطرح شده‌است که برنامه‌هایی که در آنها میگوها(یا سایر گونه‌های آبزی‌پروری) به طور مشترک از سن کم اصلاح نژاد می‌شوند، در مجموع مسئله مرتبط با واریانس محیطی را بعنوان عاملی که دقت انتخاب را کاهش می‌دهد، حل می‌کنند. با این وجود، این امر تنها بسته به زمانی که میگو بصورت مجزا نگهداری می‌شود و نقش این اثرات در تاثیرهای مادرانه که عمدتاً نامشخص هستند و باید طبق صفات مدنظر تغییر کنند صحیح است. لذا، شاید حتی در یک جمعیت اصلاح نژاد یافته بصورت مشترک، طراحی بهینه برای اجتناب از اثرات c ممکن است اجرای یک ساختار جفت‌گیری عاملی یا تو در تو باشد.

در میگوها، توزیع برتری ژنتیکی از یک جمعیت هسته اصلاح نژاد به جمعیت تجاری به علت باروری بالای جنس ماده در غیاب تکنیک تولیدمثل مصنوعی آسان است. بنابراین، حداقل به لحاظ تئوری، یک احتمال برای حذف هرگونه تاخیر ایجاد شده به واسطه حضور یک لایه فزاینده با تولید مستقیم تمامی لاروهای تجاری از هسته وجود دارد. با این وجود، وجود چنین لایه‌هایی ممکن است در بیشتر موارد بنا به دلایل لجستیکی و دستیابی به تعداد پست‌لاروهایی که شرکت برای عرضه به بخش رشد باز نیاز دارد، ضروری باشد.

مهاجرت و آمیخته‌گری

خواه برای جایگزینی جمعیت فعلی، ایجاد یک جمعیت سنتتیک جدید براساس ترکیبی پایدار از ژن‌ها از دو یا چند جمعیت، یا ایجاد یک جمعیت تجاری آمیخته با جفت‌گیری خطوط استفاده شود، مهاجرت ابزار مهمی در تغییر جمعیت‌ها به شمار می‌رود(بنزی، 2009؛ جدرم و تودسن، 2005). این بدان علت است که وقتی جمعیت‌های بیشتری درون یک گونه وجود دارند، فرصت‌های بیشتری برای استفاده از همان تنوع در جهت افزایش بهره‌وری در حیوانات تجاری خلق می‌شود(کابالرو، 2020؛ دیکرسون، 1973).

مزایای بالقوه‌ای که باید از سیستم‌های آمیخته‌گری به دست بیاید شامل این موارد است: هتروزیس که یک مزیت از حیوانات آمیخته نسبت به میانگین حیوانات اصیل به شمار می‌رود و هم‌چنین احتمال ترکیب صفات از چندین جمعیت، مثلاً از طریق ترکیب مقاومت در مقابل بیماری با یک نرخ رشد در یک جمعیت سنتتیک که نسبتی از هتروزیس از آمیزش دوطرفه اولیه یا F1 را حفظ می‌کند. سیستم‌های آمیخته‌گری به اصلاح نژادگران اجازه‌ی تولید حیوانات تجاری با عدم آمیزش درون‌گروهی(هم‌خونی) را می‌دهد.

برخلاف طیور و سایر حیوانات خشکی، در میگوها و سایر گونه‌های آبزی‌پروری تنها از خطوط اصلاح نژاد بسته مورد استفاده قرار گرفته‌است و سیستم‌های آمیخته‌گری برای تولید میگوی تجاری برای آبزی‌پروری به کار گرفته نشده‌اند. چندین عامل به این تفاوت ارتباط دارند، اما عامل اصلی این است که چون میگوها گونه‌های بومی شده‌‎ی جدید به شمار می‌روند، تنوع نسبتاً محدودی بین خطوط انتخابی برای آمیزش وجود دارد(دیکرسون، 1973؛ پیرچنر، 1985). بنابراین، سطوح هتروزیس تنها برای برخی صفات مشاهده شده‌است و ارزش اقتصادی آمیزش‌ها را کمتر از ارزش لاین‌های خالص کرده‌است(مرجع:گالاگا-مالدونالدو، 2020). در آینده، این احتمال وجود دارد که رگه‌های خویش‌آمیخته در میگوها وجود داشته‌باشند، برای اینکه آمیخته‌گری ممکن است یک سیستم متداول‌تر در تولید حیوانات تجاری باشد. دو مزیت در میگوها برای بهره‌برداری از هتروزیس عبارتند از باروری بالای جنس ماده و بازه نسل کوتاه. ایجاد بسیاری از رگه‌های خویش‌آمیخته که باید بصورت سیستماتیک برای یافتن هتروزیس آمیخته شوند، احتمال دیگری است(دیکرسون، 1973؛ پیرچنر، 1985)؛ هرچند این استراتژی مستلزم زمان، سرمایه‌گذاری و حتی شانس قابل توجهی است.

پرورش کاربردی میگو

در این بخش، نتایج پژوهشی درخصوص جنبه‌های کاربردی پرورش میگو براساس مطالب منتشرشده را مرور می‌کنیم و اطلاعات منتشرنشده‌ای را ارائه می‌دهیم که بعنوان بخشی از تحقیقات انجام شده در مکزیکن هچری ماریکالچر دی پسیفو[32]، واقع در ایالت سینالوئا، در شمال غربی مکزیک به دست آمده‌است.

[32] Mexican hatchery Maricultura del Pacífco(MARPAC)

صفاتی که باید در برنامه‌های انتخاب میگو مدنظر قرار بگیرند

صفاتی که باید در برنامه‌های انتخاب گنجانده شوند بایستی برای صنعت یا جامعه ارزشمند باشند. پرورش میگو تا آنجائی غیرعادی است که انتخاب تنها مبتنی بر چند معیار محدود بوده‌است، که عمدتاً شامل صفات مرتبط با اندازه/رشد، مرتبط با مقاومت در مقابل بیماری خاص، صفات و بقای کلی است. برخلاف سایر گونه‌های آبزی‌پروری مانند ماهیان، صفات کیفیت لاشه یا بازده عموماً در برنامه‌های اصلاح نژاد میگو کم‌اهمیت‌تر تلقی شده‌اند(جدرم و بارانسکی، 2010).

وزن و نسبت کارایی تغذیه

در تمامی حیوانات آبزی‌پروری، از جمله میگوها، صفات اولیه که باید در انتخاب مدنظر قرار بگیرند همان صفات مرتبط با اندازه هستند(جدرم و بارانسکی، 2010). این صفات، که بصورت وزن، طول یا سایر ابعاد بدن اندازه‌گیری می‌شوند، ارتباط نزدیکی با ارزش اقتصادی برداشت دارند. علاوه بر این، یک دوره رشد کوتاه‌تر بیان‌گر تغذیه کمتر، مدیریت و سایر هزینه‌ها، علاوه بر کاهش خطر، است. بنابراین، وزن اندازه برداشت یک اولویت منطقی در میگوها به شمار می‌رود.

مطالعات درخصوص روابط ژنتیکی بین صفات اندازه میگوهای برداشت شده در سن‌های مختلف، نزدیک به 130 روز بعنوان سن برداشت انتخابی در شمال غربی مکزیک، صرفاً بعنوان نقطه مرجع و 150 روز با نگاهی به میگوهای بزرگتر برای بازارهای خاص، نشان داده‌اند که مقادیر بالا و مثبت هستند(>0.90)؛ بنابراین، انتخاب برای وزن در 130 روز برای افزایش اندازه برداشت در سن‌های بالاتر کافی است. روابط ژنتیکی بین وزن‌ها و اندازه‌های اولیه مثبت و متوسط هستند که نشان می‌دهد برنامه‌های شامل انتخاب اولیه ممکن است دارای مزایایی باشند(اندرین تاهینا و همکاران، 2013؛کمپوس مونتز و همکاران، 2013)، بخصوص برای بهره‌مندی از کاهش‌ تعداد میگوها در قفس‌های خانوادگی در زمان انجام انتخاب درون خانوادگی(مونتالدو وکاستیلو-جوارز، 2017).

وراثت‌پذیری‌های صفات رشد در اندازه برداشت، بعنوان معیارهای انتخاب اندازه با بیشترین مطالعه، تقریباً بین 0.20 و 0.40 در وانامی هستند باشند(اندرین تاهینا و همکاران، 2013؛کامپوس-مونتز و همکاران، 2013؛ کاستیلو-جوارز و همکاران 2017؛ گارسیا و همکاران، 2021). همان‌گونه که برای هر صفت عادی است، شناسایی عوامل مرتبط با این تغییرات در مقادیر وراثت‌پذیری بسیار دشوار است، چون تغییر ژنتیکی اصلی، مدیریت اندازه جمعیت پیشین، طراحی جفت‌گیری، مدل آماری، روش‌شناسی تخمین و شرایط پرورش همگی عوامل احتمالی هستند. علاوه بر این، این مقادیر به اندازه جمعیت اندازه‌گیری شده و کیفیت ماتریس ژنومی یا شجره مورد استفاده برای سنجش روابط ژنتیکی بستگی دارند. یک مسئله رایج که تخمین‌های وراثت‌پذیری در میگوها را دچار مختل می‌سازد، آنالیز داده‌ها صرفاً از خانواده‌های دارای برادر و خواهر تنی است. اگرچه تاثیر بالای c، دقت انتخاب را اندکی کاهش می‌دهد(جدول 6.2)، تخمین‌های وراثت‌پذیری می‌توانند به شدت افزایش یابند(مونتالدو، 2020؛ مونتالدو و همکاران، 2013).

استفاده از صفات مرتبط با اندازه بعنوان اهداف یا معیارهای انتخاب در برنامه‌های اصلاح نژادی آبزی‌پروری با این استدلال مورد نقد واقع شده‌است که افزایش اندازه ضرورتاً نسبت کارایی تغذیه را افزایش نمی‌دهد. با این وجود، به لحاظ کاربردی، شاید بتوانیم این صفات را براساس نتایج گونه‌های زمینی، جانشین‌های قابل قبول برای کارایی بدانیم(پونزونی و همکاران، 2007)، تا زمانی که یک فناوری کاربردی در آبزی‌پروری برای تخمین نسبت کارایی تغذیه در سطح حیوان انفرادی با هزینه‎‌های معقول توسعه یابد. تنها نتیجه برای وانامی درخصوص نسبت کارایی تغذیه و وزن(دای و همکاران، 2017) بیان‌گر هم‌بستگی‌های ژنتیکی مطلوب بین 0.62 و 0.85 است.

احتمال دیگر برای سنجش کارایی تغذیه در میگوها با دقت و هزینه‌های منطقی از طریق ارزیابی داده‌های خانوادگی تجمیع شده‌است(مرجع: هرناندز-رویز و همکاران، 2002).

پاسخ‌های انتخاب در میگوها در برنامه‌های طراحی شده برای افزایش رشد با میانگینی نزدیک به 8 درصد در سال همواره مثبت بوده‌است(علی‌رغم متغیر بودن، دامنه‌ای بین 2 درصد و 21 درصد) (جدرم و رای، 2018). این نتایج وجود کلی واریانس ژنتیکی افزایشی در هر جمعیت را تایید می‌کنند، اما ناهمگنی نیز بازتابی از اختلافات بین صفات اندازه‌گیری شده، پارامترهای ژنتیکی، تاکید بر صفات مختلف انتخابی و ارزیابی انتخاب و روش‌ها است.

بقا

بقا یک صفت دوتایی(صفر = مرده؛ 1 = زنده) با اهمیت اقتصادی بالا در هر شرکت پرورش میگو است(پونزونی و همکاران، 2007). درآمد تقریباً دارای رابطه خطی با حاصل‌ضرب میانگین وزن برداشت در نرخ بقا(تولید زیست توده) است. با این وجود، بقا تابع تغییر محیطی قابل ملاحظه ‌است و بنابراین، وراثت‌پذیری احتمالاً باید کوچک باشد، یعنی کمتر از 0.10 (کامپوس-مونتز و همکاران، 2013؛ فجالستاد و همکاران، 1993؛ گارسیا و همکاران، 2021). علاوه بر این، بقا بعنوان یک معیار انتخاب مورد سوال واقع شده‌است، زیرا درست همان‌گونه که شرایط محیطی ممکن است در هر فصل رشد به طرز چشم‌گیری تغییر کند، عوامل موثر بقا نیز ممکن است دستخوش تغییر شوند و بنابراین ژن‌هایی که به حیوانات اجازه بقا در یک سال مشخص را می‌دهند، می‌توانند مزیت بقای کمتری را در سال دیگری ایجاد کنند. با این وجود، یک روند ژنتیکی مثبت برای بقا در جمعیت هسته میگو در شمال غربی مکزیک از سال 2004 تا 2010 با استفاده از مدل‌های ترکیبی خطی(0.26 درصد در هر سال) در غیاب هرگونه شیوع بیماری فاجعه‌بار به دست آمده‌است که نشان‌گر یک پاسخ همبسته‌ی مطلوب از انتخاب برای افزایش رشد است که از هم‌بستگی ژنتیکی مثبت بین رشد و بقا انتظار می‌رود(کامپوس-مونتز و همکاران، 2013). این تجربه حاکی از افزایش تجمعی در ارزش ژنتیکی برای بقای کلی است که با تردید راجع به انتخاب بقا بعنوان یک معیار انتخاب در تناقض است. با این وجود، چنین بقای کلی یک صفت متفاوت برای بقا از شیوع ناشی از بیماری‌های خاص است(کوک و همکاران، 2009) و شواهد نیز حاکی از آنند که انتخاب برای بقا در غیاب بیماری احتمالاً مقاومت بیماری در مقابل بیماری‌های جدید را افزایش نمی‌دهد. بقای مرتبط با بیماری‌های خاص در بخش بعد بررسی می‌شود.

مقاومت در برابر بیماری

مقاومت در برابر بیماری احتمالاً مهم‌ترین جنبه از جمعیت‌های ژنتیکی میگو جدا از رشد در استخرهای باز فعلی، بعنوان رایج‌ترین سیستم در سرتاسر جهان است(کوک و همکاران، 2017). به طور کلی، سیستم‌های تولید میگو با امنیت زیستی به لحاظ مفهومی امکان‌پذیر هستند، اما در مرحله مقدماتی توسعه باقی مانده‌اند یا ظاهراً تنها در چند وضعیت سودده هستند. علاوه بر این، براساس تجربه حیوانات خشکی، می‌دانیم که بیماری‎های جدید می‌توانند در هر سیستمی توسعه یابند، و سیستم‌های بسته دارای صفاتی مانند تراکم حیوانی بالا هستند که آنها را در معرض خطر بیماری‌هایی قرار می‌دهد که می‌توانند اقدامات ایمنی را دور بزنند(کوک و همکاران، 2017). این شرایط نیاز به پرورش حیوانات مقاوم در برابر بیماری را ایجاد می‌‌کنند(هوستون، 2017).

تجربه‌ی بیماری‌های عمده میگو و مقاومت ژنتیکی شامل حداقل دو و احتمالاً سه بیماری است که عبارتند از سندروم تورا ناشی از TSV، WSD ناشی از ویروس سندروم لکه سفید و احتمالاً AHPND. هر کدام از این بیماری‌ها تاریخچه خاص خود را دارد. زمانی که جمعیت‌های میگو به دلیل TSV در آمریکای لاتین در اوایل دهه 1990 تلف شدند، جمعیت‌های جدید مقاوم ایجاد شده و در سطح کشورهای آمریکای لاتین پراکنده شدند. این جمعیت‌ها با انتخاب تعداد اندک بازماندگان ایجاد شدند و این باور وجود دارد که آنها ممکن است شامل آلل‌های مقاوم جهشی با تاثیر ژنتیکی غالب هستند(کوک و همکاران، 2009). علاوه بر این، حیوانات دارای درجه بالاتری از مقاومت برای TSV در برنامه‌های خانواده محور با استفاده از آزمایش‌های چالشی برای این ویروس به دست آمدند(موس و همکاران، 2009، 2012). ارزش‌های وراثت‌پذیری نسبتاً بالای 0.20 تا 0.40 امکان پاسخ‌های انتخاب بالا تا 18.4 درصد در هر نسل را فراهم ساختند(نوبل و همکاران، 2017).

در مورد WSD، علی‌رغم شکست‌های اولیه و تغییر ژنتیکی بسیار پایین در همان ابتدا(کوک و همکاران، 2009)، برخی شواهد برای مقاومت از سال 2010 پدیدار شدند و در نهایت حدود سال 2012، شواهدی از برخی خانواده‌ها با مقاومت بالا نسبت به WSD به دست آمد(کولار-انجل و همکاران، 2012). به دنبال این اکتشاف، توسعه خطوط مقاومت تجاری رخ داد. حیوانات از اکوادور مقاومت بسیار بیشتری نسبت به عفونت میدانی در مکزیک نسبت به خطوط رشد بالای بومی مکزیک که در غیاب بیماری در مطالعات آمیخته‌گری انتخاب شده بودند داشتند(گالاگا-مالدونادو و همکاران، 2020) و شواهدی نیز برای این تاثیر امروزه وجود دارد. از آن زمان، استفاده از خطوط مقاومت به WSD رواج یافته‌است. همان‌گونه که یک افزایش چشم‌گیر در مرگ و میر WSD در مکزیک در سال 2013 به ورود AHPND بعنوان یک علت عمده تلفات در صنعت میگو ارتباط داشت، این احتمال بسیار بالاست که این بیماری‌‎ها با هم عمل می‌کنند و اینکه میگوهای مقاومت به هر دو بیماری باید بهره‌وری در میدان را افزایش دهند. در حقیقت، شواهد میدانی و آزمایش چالشی در مکزیک نشان می‌دهد که خطوط مقاوم به WSD نسبت به AHPND نیز مقاوم هستند(کاستیلو- جوارز و همکاران، 2018؛گالاگا-مالدونادو، 2020). علاوه بر این، هم‌بستگی‌های ژنتیکی درون لاین‌ها نیز حاکی از یک هم‌بستگی ژنتیکی مثبت(0.18 تا 0.56) بین زمان بقا برای هر دو بیماری در لاین مقاوم هستند، اما جالب اینکه، این تخمین‌ها در یک لاین رشد اندکی منفی و نزدیک به صفر هستند که بیان‌گر معماری ژنتیکی متفاوت صفات درون هر لاین است(کامپوس مونتز و همکاران، 2020). با این وجود، هم‌بستگی‌های ژنتیکی بین مقاومت برای دو بیماری با استفاده از بقای چالشی در هر دو لاین همواره مثبت و بالا بود(0.25 – 61/).

تخمین‌های وراثت‌پذیری برای زمان بقا در آزمایش‌های چالشی برای WSD در دامنه 0.08 تا 0.26 برای یک لاین مقاوم و از 0.06 تا 0.10 برای یک لاین رشد قرار داشتند؛ تخمین‌های مشابه برای دوره کامل آزمایشی 0.06 تا 0.09 برای یک لاین مقاوم و 0.02 تا 0.06 برای یک لاین رشد بودند(کامپوس مونتز و همکاران، 2020). وراثت‌پذیری تا 0.38 در وانامی توسط ترانگ و همکاران(2019) برای بقا در چالش‌ها با WSD در زمان استفاده از اطلاعات از 1 تا 3 روز چالش به دست آمد. در همین تحقیق، زمانی که دوره بقای آزمایشی کامل، یعنی 1 تا 15 روز، مدنظر قرار گرفت، وراثت‌پذیری به صفر نزدیک شد. این اختلاف ممکن است به دلیل کاهش تفاوت بین خانواده‌ها باشد. در پژوهش دیگری بر روی مقاومت WSSV(بقا در یک آزمایش چالشی)، وراثت‌پذیری‌ها بسته به مدل آماری مورد استفاده بین 0.19 و 0.27 بود(ترانگ و همکاران، 2019). وراثت‌پذیری برای بقا در استخرها که معمولاً تحت تاثیر WSD در طی دوره رشد(75 تا 130 روز) در یک جمعیت حساس قرار داشت در دامنه 0.09 تا 0.11 بود(کابالرو – زامورا و همکاران، 2015). به طور خلاصه، سطوح وراثت‌پذیری برای صفات مقاومت در برابر WSD امکان دستیابی به پاسخ‌های انتخاب را فراهم می‌سازد، اما زمان و متغیرهای انتخابی برای سنجش بقا در آزمایش‌های چالشی باید به دقت انتخاب شود. وراثت‌پذیری‌ها برای نرخ‌های بقا همواره وابسته به میانگین بقا هستند(فجالستاد و همکاران، 1993؛ اودگرید و همکاران، 2011).

تخمین‌ها برای زمان بقا در آزمایش‌های چالشی با AHPND در دامنه 0.09 تا 0.15 برای یک لاین مقاوم و از 0.09 تا 0.18 برای یک لاین رشد برای یک مدل تو در تو بودند(کاستیلو-جوارز و همکاران، 2018). تخمین‌ها برای آنالیز دیگری برای متغیر مشابه در همان جمعیت با استفاده از یک مدل حیوانی در دامنه 0.10 تا 0.13 برای یک لاین مقاوم و از 0.06 تا 0.13 برای یک لاین رشد بودند(کامپوس مونتز و همکاران، 2020). تخمین‌های مشابه برای بقا برای دوره کامل آزمایش 0.09 برای یک لاین مقاوم و 0.11 تا 0.14 برای یک رشد بودند(کامپوس مونتز و همکاران، 2020). وراثت‌پذیری‌ها از 0.20 تا 0.23 در وانامی توسط لیو و همکاران(2020) برای زمان بقا در چالش‌هایی با AHPND به دست آمدند. در پژوهش دیگری با چالش AHPND، وراثت‌پذیری برابر با 0.15 برای بقا و 0.24 برای زمان بقا تخمین زده شد(وانگ و همکاران، 2019).

تحلیل داد‌ه‌ها برای دوره 2015 تا 2017 از شمال غربی مکزیک یک میانگین هم‌بستگی ژنتیکی 0.33 را بین زمان بقا در چالش‌های WSD و بقا در استخرهای آلوده و یک میانگین هم‌بستگی ژنتیکی 0.03 بین زمان بقا در چالش‌های WSD و بقا در استخرهای غیرآلوده نشان دادند. با استفاده از داده‌ها با منشأ مشابه، یک میانگین هم‌بستگی ژنتیکی 0.20 بین زمان بقا در چالش‌های AHPND و بقا در استخرهای آلوده و یک میانگین هم‌بستگی ژنتیکی 0.06 بین زمان بقا در چالش‌های AHPND و بقا در استخرهای غیرآلوده مشاهده شد(MARPAC، نتایج منتشر نشده، 2017). به طور کلی، این یافته‌ها حاکی از آنند که هم WSD و AHPND ممکن است در مرگ و میر در استخرهای آلوده در مکزیک در طی همان دوره دخیل باشند. میانگین وراثت‌پذیری برای بقا در استخرهای آلوده 0.17 بود که نشان می‌داد انتخاب مستقیم برای بقا با داده‌های حاصل از استخرها می‌تواند ابزاری موثر برای افزایش مقاومت به WSD و AHPND باشد.

انتخاب غیرمستقیم برای مقاومت در برابر بیماری

فجالستاد و همکاران(1993) به آنالیز شرایطی پرداختند که در آن، معیارهای انتخاب غیرمستقیم می‌توانند در بهبود ژنتیکی صفات مقاومت در برابر بیماری در آبزی‌پروری مفید باشند. بسیاری از ملاحظات، صفات مقاومت در برابر بیماری را به چشم‌اندازهای خوبی برای انتخاب غیرمستقیم تبدیل می‌کنند. بیشتر آنها عملی و مرتبط با کاهش هزینه و زمان لازم برای درمان حیوانات هستند. علی‌رغم تاریخچه‌ای طولانی‌تر از تحقیقات در ماهیان سالمون، شواهد اندکی راجع به وجود صفات غیرمستقیم مفید با سطوح بالای لازم وراثت‌پذیری و هم‌بستگی‌های ژنتیکی مطلوب با صفات مقاومت بیماری مشاهده شده‌است(یانز و همکاران، 2014). نمونه‌هایی از این صفات از مطالعات میگوها شامل بارهای پاتوژن هستند که صفات شاخص احتمالی برای مقاومت در برابر بیماری در نظر گرفته می‌شوند.

مشهودترین صفتی که باید در زمان انتخاب برای افزایش مقاومت در برابر بیماری در میگوها مدنظر قرار بگیرد، وزن اندازه برداشت است. زمانی که بقا و وزن اندازه برداشت در استخرهای آلوده به WSD/AHPND در شمال غربی مکزیک اندازه‌گیری شد، هم‌بستگی ژنتیکی مطلوب بود(0.12)؛ با این وجود، هم‌بستگی ژنتیکی بین وزن اندازه برداشت اندازه‌گیری شده در استخرهای غیرآلوده و بقا در استخرهای آلوده منفی بود(0.12-) که نشان می‌دهد وضعیت بیماری در استخر، سودمندی وزن اندازه برداشت برای افزایش مقاومت را تعیین می‌کند. مدل‌سازی پاسخ‌های ژنتیکی نشان می‌دهد که گنجاندن بقا در شاخص‌ها مورد نیاز است و اینکه بیشترین نرخ‌های بهبود اقتصادی زمانی به دست می‌آیند که معیارهای انتخاب مورد استفاده برای افزایش بقا در استخرهای آلوده صرفاً از این استخرها به دست می‌آید، حتی اگر تعداد کاندیداها برای وزن بدن و به نوبه خود، شدت انتخاب، کاهش یابد(MARPAC، نتایج منتشرنشده 2017). این مطلب حاکی از وجود G×E کاملاً معنادار برای این صفات در زمان مقایسه‌ی محیط‌های آلوده با غیرآلوده ‌است.

بارهای ویروسی[33] در چندین پژوهش برای تخمین روابط ژنتیکی با صفات مقاومت بیماری در میگوها به کار برده شدند. فوتاوورن و همکاران(2016) وراثت‌پذیری VL ویروس HPV با تبدیل لگاریتمی اندازه‌گیری شده با واکنش زنجیره پلیمراز کمی در میگوی موزی را برابر با 0.41 تخمین زدند. این نویسندگان هم‌بستگی ژنتیکی مطلوبی از HPV VL با وزن بدن(0.33-) و طول بدن(0.38-) را مشاهده‌کردند. هرناندز – رویز و همکاران(2020)، وراثت‌پذیری VL برای ویروس نکروز هماتوپوئتیک و هیپودرمی عفونی[34] در وانامی را در 0.08 برآورد کردند و شاهد هم‌بستگی‌های ژنتیکی مطلوب با بقا(0.57-) و وزن اندازه برداشت(0.04-) بودند. با این وجود، بعید است که حتی وراثت‌پذیری برای میانگین خانوادگی VL براساس مجموعه‌ای از شش حیوان(0.42) به اندازه کافی برای جایگزینی اندازه‌گیری بقا بالا است.

[33] Viral loads(VL)

[34] Infectious hypodermal and haematopoietic necrosis virus(IHHNV)

هوانگ و همکاران(2011) رابطه‌ای را بین VL و مقاومت بیماری در یک آزمایش انتخاب برای WSSV در وانامی گزارش کردند؛ WSSV VL در بقای میگو از خانواده‌های بسیار مقاوم مشاهده شد. با مطالعه بیماری مشابه، ترانگ و همکاران(2019) هم‌بستگی ژنتیکی منفی(مطلوب) بین VL و بقای چالش‌های WSSV(0.55-) را یافتند که حاکی از احتمال استفاده از VL بعنوان یک صفت برای انتخاب به منظور افزایش مقاومت در برابر WSD بود.

در نتیجه، بقا، بخصوص با مواجهه بیماری از طریق آلودگی طبیعی یا در آزمایش‌های چالشی، یا زمان بقا، بعنوان مبنای انتخاب جمعیت‌های مقاوم‌تر ادامه دارد. در صورت امکان، داده‌های حاصل از ارزیابی‌های میدانی از عفونت‌های طبیعی باید در انتخاب مورد استفاده قرار بگیرند تا از مسائل بالقوه G×E ناشی از آزمایش چالشی جلوگیری شود.

سایر صفات

چندین صفت دیگر بعنوان بخشی از هدف انتخاب در برنامه‌های اصلاح نژاد میگو مدنظر قرار گرفته‌اند، از جمله صفات مرتبط با کیفیت و صفات باروری. کامپوس مونتز و همکاران(2017) به ارزیابی نقش وزن دم و بازده دم در اندازه برداشت در برنامه‌های انتخاب برای وانامی پرداختند و پارامترهای ژنتیکی مرتبط را تخمین زده و ابعاد اقتصادی را بررسی کردند. آنها نتیجه گرفتند که گنجاندن بازده دم در زمان برداشت(130 رو) برای یک هدف انتخاب به منظور افزایش پاسخ اقتصادی ضروری نیست، چنانچه انتخاب برای افزایش وزن، نتایج اقتصادی مشابهی را به دنبال دارد.

رنگ بدن یا دم، تازه یا پخته بودن، صفتی است که گاهی اوقات بعنوان یک هدف انتخاب احتمالی در میگوها ارائه شده‌است و وراثت‌پذیری برای برخی صفات مرتبط با رنگ در میگوهای موزی و وانامی تعیین شده‌است(گیانگ و همکاران، 2019؛ گوان و همکاران، 2014، 2020). با این وجود، قبل از انتخاب برای اصلاح ژنتیکی رنگ، یک مزیت اقتصادی را باید اثبات کرد و تعیین نمود که کدام رنگ برای صنعت مطلوب‌تر است. از آنجائیکه رنگ یک صفت تحت کنترل وجود مولفه‌های فراوان در غذا و آب است(برنارد رودریگوز و همکاران، 2017)، اثرات ژنتیک ممکن است دارای تعاملاتی قوی با اثرات محیطی باشند، برای اینکه موفقیت در انتخاب ممکن است به محیط‌های خاصی محدود شود.

این استدلال مطرح شده‌است که برخی غلظت‌های اسید چرب کاملاً اشباع نشده ممکن است در پاسخ به تنش و سیستم ایمنی میگوها ایفا نقش کنند؛ بنابراین، پارامترهای ژنتیکی برای محتوای اسید چرب در همولنف وانامی سالم که در معرض بیماری قرار نگرفته‌است، تخمین زده شده‌اند(نولاسکو- الزاگا و همکاران، 2018). تخمین وراثت‌پذیری برای نسبت‌های اسیدهای چرب ناچیز بود(وراثت‌پذیری‌های غلظت‌های واقعی ارائه نشدند). تا زمانی که پیامدهای تغییر این نسبت‌ها به وسیله انتخاب ناشناخته باشد و پاسخ‌های انتخاب احتمالاً کوچک باشند، هیچ تلاشی برای تصور این اندازه‌گیری‌ها بعنوان معیارهایی برای انتخاب جمعیت‌های سودده‌تر وانامی توصیه نمی‌شود.

صفات باروری برای منفعت اقتصادی برای شرکت‌های پرورشی، و تکثیرکننده‌های جمعیت‌های هسته‌ای و وراثت‌پذیری در چندین پژوهش در دامنه کوچک تا متوسط قرار دارند(کابالرو- زامورا و همکاران، 2015؛ تان و همکاران، 2017، 2019). با این وجود، از آنجائیکه میانگین باروری جنس ماده در وانامی بالا است، تعیین این صفات بعنوان معیارهای انتخاب تنها در صورتی توجیه‌پذیر است که این صفات باروری به زیر آستانه کارکردی به شکل محصولی از برنامه انتخاب برای افزایش نرخ رشد و سایر صفات کاهش یابد. راه دیگر برای پایش این صفات، تخمین روندهای فنوتیپی یا ژنتیکی است. شواهد موجود حاکی از برخی مقادیر منفی کوچک برای روابط ژنتیکی بین صفات باروری و وزن اندازه برداشت هستند(کابالرو- زامورا و همکاران، 2015)، اما اینها معنادار نیستند و در تناقض با رابطه بین صفات باروری جنس ماده و وزن آن در زمان تلقیح بودند که مثبت و معنادار بودند(0.49 تا 0.54). وزن اندازه برداشت و وزن جنس ماده در زمان تلقیح دارای هم‌بستگی ژنتیکی مثبتی 0.30) است. هم‌بستگی‌های ژنتیکی مثبت مشابه بین وزن بدن ماده بالغ و تعداد تخم توسط تان و همکاران(2017) یافت شد. با در نظر داشتن این تخمین‌های هم‌بستگی و تخمین‌های وراثت‌پذیری نسبتاً پایین برای صفات تولیدمثل جنس ماده، دلیل مناسبی برای نگرانی درخصوص افت سریع در صفات باروری در نتیجه‌ی انتخاب برای وزن اندازه برداشت وجود ندارد.

برخی مطالعات به بررسی انتخاب برای افزایش یکنواختی در میگوها پرداخته‌اند. یکنواختی یک صفت مطلوب در هر گونه تولیدکننده گوشت است، اما نتایج حاصل از تحقیقات نشان می‌دهد که انتخاب برای افزایش میانگین این صفت رشد در چندین گونه معمولاً به افزایش در واریانس محیطی و ضریب تغییر ارتباط دارد(گارسیا و همکاران، 2021). یک مطالعه‌ی اولیه در میگو که به آنالیز لگاریتم مجذور بقایای وزن بعنوان مقیاسی از تغییر محیطی از یک مدل خطی ترکیبی می‌پرداخت(کاستیلو-جوارز و دیگران، 2012) نشان داد که واریانس باقی‌مانده برای وزن بدن در وانامی دارای مقدار وراثت‌پذیری نزدیک صفر(0.04) و هم‌بستگی ژنتیکی 0.18 با وزن بدن بوده‌است. گارسیا و همکاران(2021) پارامترهای ژنتیکی چندصفتی را برای واریانس باقی‌مانده برای وزن بدن و بقا با استفاده از یک مدل خطی تعمیم یافته‌ی سلسله مراتبی مضاعف پدر– مادر در دو محیط تخمین زدند. نتایج این پژوهش نشان می‌دهد که واریانس محیطی وراثت‌پذیر است و اینکه رابطه ژنتیکی منفی بین واریانس باقی‌مانده برای وزن بدن و بقا در محیط محدودتر وجود دارد که حاکی از آن است که انتخاب برای افزایش یکنواختی می‌تواند به افزایش بقا در شرایط گسترده رشد باز کمک کند.

استفاده از نشان‌گرهای DNA برای بهبود مقاومت در برابر بیماری در میگو

انتخاب به کمک نشان‌گر

علاوه بر روش‌های انتخاب مبتنی بر ژنتیک کمی، روش‌های ژنومی جدید برای بهبود ژنتیک مقاومت بیماری در جمعیت‌های میگو در حال بررسی هستند(هوستون و همکاران، 2020). رویکرد اول، MAS است(گوپی و همکاران، 2018؛ هوستون و همکاران، 2017) که مستلزم مکان‌یابی دقیق جایگاه‌هایی با تاثیر فنوتیپی بالا بر صفات خاص است. رویکرد دوم، روش ارزیابی ژنومی بسیار امیدوارکننده‌است(زنگر و همکاران، 2019). هر دو فناوری در اصل برای هر صفت قابل استفاده هستند، اما همان‌گونه که بهبود مقاومت بیماری با روش‌های سنتی دشوارتر است، انتظار می‌رود که این فناوری‌ها شاید در آینده برای افزایش میزان پیشرفت ژنتیک برای این صفات در پرورش میگو مورد استفاده قرار بگیرند(اودگارد و همکاران، 2011).

MAS وعده‌ای است که بعید است انتظاراتی که زمانی بصورت بهینه تصور می‌شدند را برآورده سازد. پیش از هر چیز، دلایل این امر فقدان QTL تاثیر بزرگ برای صفات مقاومت بیماری در میگوهاست که به نظر می‌رسد این واقعیت بیولوژیکی اساسی را منعکس می‌سازد که صفات کمی عمدتاً ماهیتی پلی‌ژنیک دارند(هیل و همکاران، 2010). این موضعیت با فقدان نشان‌گرهای ژنتیکی از جایگاه‌های انفرادی برای شناسایی حیوانات مقاوم و حساس به WSSV، علی‌رغم انجام تلاش‌ها در این جهت، تشریح می‌شود(کوک و همکاران، 2017). در سایر گونه‌های آبزی‌پروری، تعداد ژن‌های عمده تشخیص داده شده که یک نسبت نسبتاً بزرگ از واریانس ژنتیکی صفات را تبیین می‌کند، کم است، که دال بر نیاز به ‌استفاده از نشان‌گرهای DNA به نحو متفاوتی است(گوپی و همکاران، 2018؛ هوستون و همکاران، 2020؛ اودگارد و همکاران، 2011؛ زنگر و همکاران، 2019). مطابق با میزتال و همکاران(2020)، مسئله‌ای پیچیده‌ای درخصوص این امر وجود دارد که SNPهای تاثیر بزرگ سببی باید در برنامه‌های انتخاب برای صفات انتخاب شده با دقت بالا مورد استفاده قرار بگیرند. با انتخاب بلند مدت، آلل‌های دارای تاثیر مثبت برای بیشتر صفات احتمالاً ثابت یا نزدیک به تثبیت باشند و ژن‌هایی که تاثیر چشم‌گیری دارند اما تثبیت نشده‌اند احتمالاً اثرات نامطلوبی بر سایر صفات مهم نشان دهند. در آینده، پیشرفت‌های فناوری در ژنومیک، کاهش قیمت اطلاعات ژنومی و روش‌های آماری پیچیده‌تر ممکن است امکان لحاظ کردن ژن‌های عمده در برنامه‌های انتخاب میگو را فراهم سازند(علی و همکاران، 2020؛ هوستون و همکاران، 2020).

انتخاب ژنومی

GS مبتنی بر ردیابی ژن‌های سببی احتمالی بصورت غیرمستقیم با هزاران نشان‌گر ژنتیکی DNA پیوسته در ژنوم به جای جستجو برای ژن‌های تاثیر بزرگ، بعنوان مفیدترین گزینه برای به کارگیری دانش ژنومی جدید در جهت شتاب بخشیدن به پیشرفت‌های پرورش و مدیریت بهتر تنوع ژنتیکی در آبزی‌پروری شناخته خواهد شد(هوستون و همکاران، 2020؛ زنگر و همکاران، 2019). در انجام این کار، انتظار می‌رود که اطلاعات تعیین SNP حاصل از طریق پانل‌های SNP با تعداد کمتری از نشان‌گرهای تعیین شده از طریق تکنیک‌های ژنوتیپ برحسب توالی‌یابی هدفمند، GS را با کاهش هزینه‌ها تسهیل ببخشد. تکنیک‌های بازیابی ممکن است امکان تخصیص دقیق ژنوتیپ‎های لحاظ نشده در آرایه SNP اندازه‌گیری شده را فراهم سازند و لذا هزینه‌های ژنوتیپی کاهش می‌یابد(هوستون و همکاران، 2020؛ زنگر و همکاران، 2019). علاوه بر این، نوع مشابهی از اطلاعات نشان‌گر برای انجام GS را می‌توان برای مدیریت بهتر تنوع ژنتیکی با انجام تخصیص والد در غیاب کنترل جفت‌گیری و برچسب‌گذاری به کار برد. GS ممکن است امکان ارزیابی ژنتیکی برای مجموعه‌ای از کاندیداهای انتخاب را بدون نیاز به اندازه‌گیری فنوتیپ‌ها یا اصلاح نژاد‌گر بالقوه آلوده فراهم می‌سازد که بهبود مقاومت در برابر بیماری جمعیت با حیوانات کاملاً عاری از عفونت احتمالی را رقم می‌زند. این امر ممکن است با تقسیم خانواده‌ها به حیوانات آزمایش‌شده و آزمایش‌نشده حاصل شود؛ هرچند، GS اجازه می‌دهد که واریانس درون خانوادگی در انتخاب لحاظ شود و از این طریق دقت بهبود یابد(کاستیلو-جوارز و همکاران، 2015؛ نیلسن و همکاران، 2009؛سونسون و میوویسن، 2009؛ زنگر و همکاران، 2019). مطالعات شامل تخمین‌های واقعی از نقطه نظر دقت ارزیابی‌های ژنومی در مقابل ارزیابی‌های مبتنی بر شجره سنتی برای مقاومت بیماری در میگوها کمیاب هستند و مواردی که منتشر شده‌اند نیز با استفاده از نمونه‌های کوچک انجام شده‌اند(هوستون و همکاران، 2020؛ لیو و همکاران، 2020؛ گوین و همکاران، 2020؛ وانگ و همکاران، 2017، 2019). با این وجود، براساس این نتایج، آینده این نوع انتخاب امیدوارکننده‌است، زیرا مزایای کوچک در دقت انتخاب مقاومت در برابر AHPND تخمین زده شده برای ارزیابی‌های ژنومی نسبت به ارزیابی‌های مبتنی بر شجره سنتی احتمالاً محصول اندازه جمعیت آموزشی کوچک و تراکم پایین نشان‌گر است و بنابراین جمعیت‌های بزرگتر و استفاده از تعداد بیشتر نشان‌گرها باید مزایای بیشتری به همراه داشته‌باشد(کاستیلو-جوارز و همکاران، 2015؛ سونسون و میوویسن، 2009؛ وانگ و همکاران، 2017؛ زنگر و همکاران، 2019). چشم‌اندازهای انتخاب GS برای رشد در وانامی و سایر گونه‌های میگو بدون نشانه‌ای از وجود هرگونه ژن عمده خوب هستند(کاتکار و همکاران، 2017).

در نتیجه، همان‌گونه که در سایر گونه‌های حیوانی نشان داده شده‌است، GS احتمالاً بهترین شیوه ‌است که از پیشرفت‌ها در دانش ژنومیک میگو در اصلاح نژاد میگو استفاده می‌کند. اجرای برنامه‌های GS در میگوها به هزینه فناوری ژنوتیپ و توسعه برنامه‌های بهینه‌شده بستگی خواهد داشت.

تخمین وراثت‌پذیری درون خانواده با استفاده از نشان‌گرها

یک گزینه نوین برای تخمین وراثت‌پذیری برای هرگونه صفت کمی به شیوه‌ای دقیق و نااریب با استفاده از نمونه‌ی کوچکی از خانواده‌های بزرگ(یا حتی یک خانواده) و تخمین روابط IBD بین اعضا درون خانواده با استفاده از نشان‌گرهای DNA توسط اودگارد و میوسن(2012) شرح داده شده‌است. این روش ممکن است برای تخمین وراثت‌پذیری در میگوها که خانواده‌های بزرگ به آسانی تولید می‌شوند مفید باشد.

ابزار تعیین ژنوم

کاربرد ابزار کارآمد تعیین ژنوم، مانند CRISPR-Cas9، برای افزایش مقاومت در برابر بیماری می‌تواند به لحاظ مفهومی پیامدهای مهمی در اصلاح نژاد میگو داشته‌باشد(هوستون و همکاران، 2020). الزام عمده برای استفاده از این فناوری، یافتن مکان‌هایی است که باید در ژنوم تعدیل و اصلاح شوند(زنگر و همکاران، 2019)؛ بنابراین، محدودیت اصلی فی نفسه به تکنیک ارتباط ندارد، بلکه مانند MAS، به ماهیت پلی‌ژنیک بیشتر صفات کمی ارتباط دارد. اصلاح ژن منحصربفرد از طریق CRISPR-Cas9 ممکن است برای بهبود مقاومت در برابر بیماری و برای کاربردهای مهم دیگر مانند تغییر صفات سازگاری حیوانات برای استفاده بهتر از منابع به کار برده شود. این امر می‌تواند با تثبیت آلل‌های مطلوب از سایر جمعیت‌ها/گونه‌ها یا ایجاد آلل‌های جدید براساس بیولوژی صفات حاصل شود(هوستون و همکاران، 2020). اگرچه کماکان باید بر دشواری‌های فنی خاص در میگوها غلبه کرد و نتایج تاکنون آزمایشی بوده‌اند، اما این یک حوزه پژوهشی عظیم است(گراتاکاپ و همکاران، 2019).

اثرات کاهش هم‌خونی

اثرات کاهش هم‌خونی برای صفات رشد و بقا در وانامی و سایر گونه‌های میگو بررسی شده‌است. مشخص شده‌است که اثرات بر وزن در زمان برداشت تقریباً مشابه با اثرات مشاهده شده در مطالعات آزمایشی موس و همکاران(2007) در یک جمعیت انتخابی وانامی از هاوایی، و از یک مطالعه آزمایشی دیگر توسط دی لوس رویز پرز و همکاران(2015) در یک لاین نگهداری در مکزیک است که در آنجا اثرات کاهش ناشی از سطح هم‌خونی[35] بصورت درصد تغییر در میانگین صفت غیرهم‌خون در هر 10 درصد افزایش F(ID 10) تخمین زده شد. نتایج این دو پژوهش اثرات معناداری برای بقا نشان ندادند. یک مطالعه معطوف به گذشته بر روی یک لاین رشد تجاری منتخب دیگر از همان مرکز تکثیر(موتالدو و همکاران، 2013) نتایج تقریباً قابل مقایسه‌ای برای ID10 برای وزن و نتایج غیرقابل اطمینانی(غیرمتفاوت از صفر) برای بقا ارائه دادند که مجدد با نتایج موس و همکاران(2007) منطبق بودند(جدول 6.3). با این وجود، عدم تمایز ID10 بین نسل‌های مختلف در این مطالعات رخ داد و مشخص نیست که آیا فقدان معناداری برای بقا به اثرات انتخاب ارتباط دارد یا به مسائل آماری ناشی از اندازه نمونه ناکافی.

[35] Inbreeding level(F)

لو و همکاران(2014)، ID10 را برای سطوح هم‌خونی 0.25، 0.375 و 0.50(به ترتیب جفت‌گیری کامل نتاج F1، F2 و F3) برای صفات رشد، بقا و مقاومت در برابر چالش‌های WSSV در میگوی چینی اندازه‌گیری شده در عمر 80، 100 و 140 روز تخمین زدند. دامنه‌ی مقادیر ID10 از 3.06- تا 4.55- برای صفات رشد و 0.39- تا 2.52- (غیرمعنادار) برای بقا در غیاب چالش بیماری برای هر دوره رشد قرار داشت. مقادیر مشابه بین نسل‌ها مشاهده شد؛ بنابراین، باید انتظار اثرات خطی را داشت که منجر به نتایجی مشابه با نتایج پیشین می‌شود. آنالیز داده‌های نتایج با مدل‌های رگرسیون خطی نشان می‌دهد که میانگین‌های پیش‌بینی شده برای کل حیوانات هم‌خون بصورت درصدی از میانگین حیوانات غیرهم‌خون(100) برابر با 53.1 برای وزن در 140 روز و 51.9 برای بقای جمعی در صفر تا 140 روز خواهد بود که دال بر زیان قابل توجهی است. هیچ‌گونه اثر پاکسازی(انتخاب) برا صفات مطالعه شده در همان سطوح از هم‌خونی مشاهده نشد. در یک آزمایش با استفاده از سه نسل از اعضای هم‌خون برای صفات تولیدمثل جنس ماده(نرخ باروری، نرخ تکثیر، تعداد ناپلی) درون یک جمعیت وانامی، دی لوس رویز پرز و همکاران(2017) دریافتند که ID10 با استفاده از F ماده تقریباً 25- درصد در نسل اول است که تقریباً 13- درصد تا 16- درصد در نسل دوم است و تقریباً 1- درصد تا 3- درصد در نسل سوم است. این افزایش‌ها در مقادیر ID10 در بین نسل‌ها به نحوی تفسیر شدند که به اثرات پاکسازی ارتباط دارند. برخلاف رشد، برخی صفات تولیدمثل احتمالاً تابع فشار انتخاب طبیعی بزرگ هستند. دیگر صفت تحت بررسی، یعنی تعداد کل تخم‌ها، هیچ‌گونه تاثیر پرورش هم‌خونی را نشان نداد. این نتایج حاکی از آنند که کاهش ناشی از هم‌خونی در نسل‌های اول می‌تواند برای برخی صفات بسیار بالا باشد و اینکه تاثیر پاکسازی می‌تواند این کاهش را در چند نسل جبران کند، اگر این صفات به تناسب ارتباط داشته‌باشند.

جدول 6.3. اثرات هم‌خونی برای وزن اندازه برداشت و نرخ بقای کلی در وانامی

دویل(2016) پیشنهاد داد که مصرف اصلاح شده‌ی پست‌لارو بهبودیافته ژنتیکی تجاری حاصل از شرکت‌های اصلاح نژاد بعنوان اصلاح نژادگر ممکن است باعث تعداد بالای فرزند هم‌خون در استخرهای رشد باز شود و لذا خطر بیماری افزایش می‎‌یابد. طبق این نظریه، بیشتر حیوانات کاملاً هم‌خون(F نزدیک به 25 درصد) و فرزند والدین با اعضای کامل هستند، زیرا شرکت‌ها تمامی فرزندان را از محل فروش یک زوج میگوی جفت‌گیری شده، تولید می‌کنند و اصلاح نژادگر میگو نه تنها همواره از پدرها و مادرها از یک منشأ استفاده می‌کنند، بلکه هم‌خونی نیز باعث افزایش قابل توجه در حساسیت به بیماری می‌گردد. اثبات یا رد این زنجیره رویدادها دشوار است، به‌استثنای گام آخر. بنابراین، بررسی شواهد مرتبط با افزایش احتمالی حساسیت به بیماری در حیوانات هم‌خون، بخصوص برای WSD و AHPND جالب خواهد بود.

همان‌گونه که در اوایل این فصل ذکر شد، آزمایش چالشی نخست برای بیماری‎‌ها در میگوها با موفقیت برای TSV انجام شد و لذا اطلاعاتی راجع به اثرات هم‌خونی به دست آمد. موس و همکاران(2007) نتایجی را از کاهش ناشی از هم‌خونی برای مقاومت TSV ارائه دادند. مقادیر برای ID10 در دامنه وسیعی(8.3- تا 38.7-) قرار داشتند، اما شیب کاهش با مقادیر بالاتر دقیق نیست و به دلیل مقادیر خطای استاندارد بزرگ تفاوت معناداری با صفر ندارد. تحت اثرات هم‌خونی خطی پذیرفته‌شده براساس مدل چیرگی(تسلط)(دیکرسون، 1973؛ هیل، 2016؛ پیرچنر، 1985)، مقدار مینیمم احتمالی برای ID10 برابر با 10- است، پس یک حیوان با ضریب هم‌خونی 100 درصد دارای میانگین صفر در مقایسه با حیوانات غیرهم‌خون است.

چندین تخمین از اثرات هم‌خونی برای آزمایش‌های WSSV و AHPND از چالش‌های آزمایشی به دست آمده‌است. لو و همکاران(2014) مقادیر ID10 غیرمعنادار و کوچک در دامنه 0.27- تا 0.44- را تخمین زدند. با این مقادیر، یک جمعیت هم‌خون 100 درصد، میانگین زمان بقا برای WSSV تنها 4.4 درصد کمتر از جمعیت غیرهم‌خون است و هرگونه تاثیر پاکسازی، تاثیر کاهش را کم می‌کند. نتایج هم‌خونی از داده‌های حاصل از جفت‌گیری کامل در یک نسل برای یک لاین مقاوم به WSD در میگوی اکوادور، تخمین‌هایی را برای ID10 بین 1.3- و 9.4- برای زمان بقا برای WSSV ارائه دادند(گالاگا-مالدونادو، 2020). در همین پژوهش، نتایج ID10 برای زمان بقا در چالش‌های AHPND کوچکتر اما منفی بودند، یعنی بین 0.5- تا 5.1-. تخمین‌های ID10 برای تولید زیست توده در استخرهای آلوده به بیماری همگی منفی اما با دامنه وسیع بودند، یعنی از 1.0- تا 14.2- درخصوص نقش احتمالی هم‌خونی در مرگ و میرهای فاجعه‌بار، سطوح 25 درصد هم‌خونی به تنهایی بعید است که مرگ و میرهای بالای مشاهده شده ناشی از WDS و AHPND را توجیه کنند، اما هم‌خونی می‌تواند یک عامل کمک‌کننده باشد.

فقدان شواهد برای کاهش ناشی از هم‌خونی به دنبال استفاده از جمعیت‌هایی با اندازه موثر کوچک حاصل از چند حیوان بازمانده بهبودیافته از شیوع وسیع TSV در کلمبیا و کشورهای گرمسیری آمریکای لاتین در دهه 1990 ممکن است محصول انتخاب مصنوعی در مقابل کاهش ناشی از هم‌خونی باشد(کوک و همکاران، 2009، 2017). این احتمال وجود دارد که پاکسازی‌های اثرات هم‌خونی برای بقا نه تنها در بین نسل‌ها بلکه درون آنها در مراحل اولیه زندگی نیز امکان‌پذیر باشد، بخصوص در مورد خانواده‌های میگوی بزرگ(موس و همکاران، 2007).

همان‌گونه که پیش از این ذکر شد، دیگر تاثیر نامطلوب اندازه جمعیت موثر کوچک، از دست دادن تغییرپذیری ژنتیکی است. با این وجود، تغییرپذیری را می‌توان حداقل با گنجاندن جهش‌ها در فرایند طبیعی بین بسیاری از نسل‌ها یا با آمیخته‌گری سریع بازیابی کرد. در مورد میگوها، حیوانات وحشی و اهلی را می‌توان بصورت استراتژیک به منظور افزایش تغییرپذیری ژنتیکی و آلل‌های مقاوم به بیماری در نظر گرفت(کوک و همکاران، 2009، 2017) و فناوری ژنومی جدید نیز می‌‎تواند به تسریع ورود برخی ژن‌ها از یک نسل به نسل دیگر کمک کند(هوستون و همکاران، 2020؛ یانز و همکاران، 2020). تمایز بین هم‌خونی و از دست دادن تغییرپذیری ژنتیکی مهم است، چون در بسیاری از جمعیت‌های میگوی واقعی، آنها متفاوت هستند(کابالرو، 2020)؛ بنابراین، تصمیمات درخصوص مدیریت هر کدام باید براساس سابقه جمعیت خاص درخصوص منشأ و مدیریت اتخاذ شوند. به خاطر آوردن این نکته بسیار مهم است که هم‌خونی و رانش ژنتیکی و جهش فرایندهای تصادفی هستند که برای جمعیت‌هایی عمل می‌کنند که دارای منشأ متفاوت هستند. بنابراین، انجام پیش‌بینی‌های دقیق از هم‌خونی و اثرات رانش بر یک جمعیت خاص غیرممکن است.

اندازه‌گیری پاسخ انتخاب محقق شده

یک مسئله مهم در برنامه‌های اصلاح نژاد، اندازه‌گیری پیشرفت ژنتیکی است. اساساً دو استراتژی برای انجام چنین تخمین‌هایی در میگوها وجود دارد. استراتژی نخست، استفاده از جمعیت‌های کنترل است. یک جمعیت کنترل را می‌توان بدون انتخاب مدیریت کرد(اصلاح نژاد‌گر را می‌توان بصورت تصادفی انتخاب کرد) و تحت شرایط محیطی بعنوان جمعیت‌های منتخب حفظ کرد. یک راه برای پرداختن به این نوع مقایسه، برچسب زدن به حیوانات از جمعیت‌های کنترل بعنوان یک خانواده اضافه برای دستیابی به اندازه‌گیری تحت شرایط محیطی مشابه‌است(اندرین تاهینا و همکاران، 2013؛ جدرم و بارانسکی، 2010؛ جدرم و تودسن، 2005). یک گزینه برای اجتناب از نیاز به حفظ جمعیت کنترل کوچک که احتمالاً تحت تاثیر رانش ژنتیکی و هم‌خونی قرار دارد، ایجاد تعدادی خانواده در هر سال از طریق جفت‌گیری با حیوانات انتخاب شده تصادفی یا حیوانات با EBVهای میانگین است(جدرم و تودسن، 2005). تفاوت‌ها در میانگین فرزندان بیان‌گر نتیجه‌ی انتخاب انجام شده در نسل قبل است. همان‌گونه که پیش از این در این فصل ذکر شد، گزینه دیگر برای تخمین پیشرفت ژنتیکی، استفاده از یک مدل خطی ترکیبی است که میانگین EBV و GEBV حیوانات متولد شده در سال‌های مختلف را مقایسه می‌کند(جدرم و تودسن، 2005؛ مودر، 2014). مطالعاتی که به مقایسه‌ی کاربرد یک جمعیت کنترل و مدل‌های خطی ترکیبی برای تخمین پاسخ انتخاب می‌پردازند در میگوها کمیاب هستند(سو و همکاران، 2016). این احتمال وجود دارد که روش‌های مبتنی بر استفاده از جمعیت‌های کنترل دقیق‌تر از روش‌های مبتنی بر مقایسه میانگین EBV نسل‌های مختلف هستند، بخصوص اگر جفت‌گیری تکراری همان حیوانات بین نسل‌ها رخ ندهد، چنانچه این امر در برنامه‌های پرورش میگو رخ می‌دهد(مونتالدو، 2020)؛ بنابراین، تحقیق بیشتری درخصوص این موضوع مورد نیاز است.

بهینه‌سازی برنامه‌های اصلاح نژاد برای میگو

چندین مقاله وجود دارد که حاوی اصول کلی برای بررسی ابعاد اقتصادی در طراحی برنامه‌های اصلاح نژاد و بهینه‌سازی طراحی برنامه هستند که می‌توانند بعنوان مبنایی برای انجام این نوع کار کاربردی مورد استفاده قرار بگیرند(روتن و همکاران، 2002؛ والر، 1994). حجم خوبی از اطلاعات درخصوص بهینه‌سازی برنامه‌های اصلاح نژاد در ماهیان و سایر گونه‌ها برای میگوها نیز قابل استفاده‌است(جدرم و رای، 2018؛ جدرم و تودسن، 2005؛ جانسن و همکاران، 2018؛ گوین و پونزونی، 2006؛ پونزونی و همکاران، 2007، 2008)، اما تفاوت‌های بیولوژیکی آنها باید از طریق تحقیقات متمرکز بر پرورش میگو مدنظر قرار بگیرند(مونتالدو، 2020). در بیشتر برنامه‌های میگو مبتنی بر ارزیابی برادر و خواهر، کل هزینه‌های عملیاتی عمدتاً به تعداد حیوانات برچسب خورده، و اندازه‌گیری شده بستگی دارد؛ لذا انجام محاسباتی که راهنمایی کلی با هدف کمک به شرکت‌ها در اتخاذ تصمیمات منطقی درخصوص هزینه‌ها و سود ارائه می‌دهند مهم است. کاربرد ابزار مدل‌سازی مانند تخمین پاسخ‌های انتخاب با روش‌شناسی شاخص می‌تواند به طراحی برنامه‌هایی کمک کند که از منابع سرمایه‌گذاری شده بهتر استفاده می‌کنند.

براساس آنالیز انجام شده برای بهینه‌سازی برنامه‌ها برای MARPAC، محاسبه‌ای را انجام دادیم تا نشان دهیم که چگونه عوامل موثر بر برنامه اصلاح نژاد را می‌توان مدنظر قرار داد. هدف، انتخاب تعداد خانواده‌های آزمایش شده و نسبت انتخابی والدین در هر چرخه پرورش با متوازن ساختن پاسخ انتخاب و افزایش مورد انتظار هم‌خونی است(جدول 6.4). در این مورد، ما از دامنه‌ای از خانواده‌های رایج در برنامه‌های اصلاح نژاد آبزی‌پروری واقعی در امتداد خطوط تشریح شده توسط پونزونی و همکاران(2007) را به کار بردیم.

جدول 6.4. پارامترهای بهینه برای برنامه‌های تنی با اندازه متفاوت با هم‌خونی محدود

محاسبات برای صفتی با وراثت‌پذیری 0.20 بودند که یک مورد را برای افزایش هدف انتخابی که شامل رشد و نرخ بقا در برنامه‌های میگو است را تقریب می‌زند(گارسیا و همکاران، 2021). نتایج با استفاده از نرم‌افزار سل اکشن[36] به دست آمدند(روتن و همکاران، 2002). برای سهولت، خانواده‌های تنی با نسبت‌های نر:ماده = 1 در نظر گرفته شدند و اثرات c برابر با صفر فرض شدند. انتخاب مبتنی بر تخمین‌های BLUP ارزش‌های ژنتیکی مبتنی بر اطلاعات نتاج تنی و والد بود، بنابراین حیوانات تنها بصورت خانوادگی با الاستومرها برچسب زده شدند. نتایج، محدودیت در افزایش هم‌خونی[37] تا مقدار ماکزیم 1 درصد در هر نسل را نشان می‌دهند و لذا N_e نزدیک به 50 است. در یک مورد، به بررسی تاثیر DF محدودکننده تا مقدار ماکزیمم 0.5 درصد در هر نسل پرداختیم. بهره‌های ژنتیکی برحسب انحراف معیارهای فنوتیپی هدف انتخاب بیان می‌شوند.

[36] SelAction

[37] Inbreeding increase(ΔF)

این یافته‌ها حاکی از آنند که حتی برنامه‌های مبتنی بر تعداد نسبتاً اندکی از خانواده‌ها می‌توانند کارآمد باشند؛ انتظار می‌رود که برنامه‌های دارای ماکزیمم سطوح هم‌خونی مورد انتظار با تعداد بالای خانواده‌ها از پاسخ‌های ژنتیکی بالاتری برخوردار باشند، زیرا نسبت‌های مجاز انتخاب با تعداد بیشتر خانواده‌های کاندیداها کمتر می‌شوند. افزایش پاسخ مورد انتظار برای 200، 400 و 800 خانواده نسبت به 100 خانواده به ترتیب 33 درصد، 61 درصد و 85 درصد بود و 40 فرزند برای هر جنس ماده وجود داشت و 28 درصد، 53 درصد و 76 درصد با 10 فرزند در هر جنس ماده اندازه‌گیری شد(جدول 6.4). پاسخ‌های انتخاب با استفاده از 40 در مقابل 10 فرزند برای هر جنس ماده 11 درصد، 15 درصد، 16 درصد و 16 درصد برای برنامه‌ها به ترتیب با استفاده از 100، 200، 400 و 800 خانواده افزایش یافت. کاهش ماکزیمم DF تا 0.5 درصد در جمعیت 200 خانواده‌ای، پیشرفت ژنتیکی را تا 22 درصد کاهش می‌دهد(جدول 6.4).

در نظریه، یک برنامه‌ی انتخاب مبتنی بر اعضای تنی که تنها از 100 خانواده و تقریباً 1250 حیوان برچسب‌دار استفاده می‌کند(با فرض نرخ بقای 0.80) می‌تواند دارای بهره ژنتیکی در هر نسل به میزان تقریباً 0.152 انحراف معیار فنوتیپی باشد(جدول 6.4). برای وزن اندازه برداشت(130 روز) در شمال غربی مکزیک، انحراف معیار فنوتیپی برای این صفت نزدیک به 3 گرم بود که یک بهره ژنتیکی 0.46 گرمی را در هر نسل به همراه داشت. اثرات تعداد فرزند در هر جنس ماده کم بود، اما تخمین کافی ارزش‌های ژنتیکی برای بقا مستلزم تعداد بیشتری است، بخصوص با نرخ بقای پایین. پاسخ‌ها در جدول 6.4 نتیجه انتخاب بین خانوادگی هستند. لحاظ کردن نتیجه انتخاب بین خانوادگی در صورت امکان می‌تواند این ارقام را افزایش دهد، اگر خانواده‌های بزرگ را بتوان تولید و اندازه‌گیری کرد(مونتالدو و کاستیلو-جوارز، 2017). علاوه بر این، لحاظ کردن برچسب‌زنی انفرادی نیز می‌توان پاسخ را با فراهم ساختن تغییر درون خانوادگی برای انتخاب افزایش دهد. راه دیگر برای لحاظ کردن انتخاب درون خانوادگی، استفاده از GS است، اما اندازه جمعیت‌های آموزشی و هم‌چنین فناوری ژنوتیپی صحیح و تعداد نشان‌گرها، مسائل کلیدی در این خصوص به شمار می‌روند(کاستیلو-جوارز، 2017؛ هوستون و همکاران، 2020؛ زنگر و همکاران، 2019).

محاسبات خاص و جزئی‌تر شامل پارامترهای واقعی، انتخاب چندصفتی و ارزش‌های اقتصادی نسبی، و هم‌چنین لحاظ کردن GS، برای بهینه‌سازی برنامه‌های پرورش بسته به دیدگاه‌ها و نیازهای شرکت‌ها و اولویت‌های ملاحظات اقتصادی مورد نیاز هستند. ملاحظات خطر و پاسخگوئی به اثرات احتمالی G×E نیز مسائلی کلیدی در برنامه‌های اصلاح نژاد میگو محسوب می‌شوند.

نتیجه‌گیری

اصلاح نژاد فرصت‌های بی‌شماری را برای افزایش سوددهی پرورش میگو فراهم می‌آورد. علاوه بر افزایش صفاتی که معمولاً در انتخاب مدنظر قرار می‌گیرند، مانند رشد و اندازه، شواهد فراوانی نیز درخصوص نتایج مهم برای افزایش مقاومت در برابر بیماری وجود دارد. چنین شواهدی به کنترل ژنتیکی چندجایگاهی(پلی‌ژنیک) بیشتر صفات با اهمیت اقتصادی در تولید میگو اشاره دارد. بیشتر مسائل مهم درخصوص پیامدهای انتخاب به کاهش تغییرپذیری ژنتیکی و افزایش هم‌زمان در نرخ هم‌خونی در نتیجه‌ی افزایش روابط تجمعی بین اصلاح نژادگران کاندیدا که در جمعیت‌های پرورشی رخ می‌دهد، ارتباط می‌یابند. بنابراین، نیاز به برقراری توازنی مناسب بین افزایش پاسخ‌های انتخاب و حفظ تنوع ژنتیکی جمعیت‌های انتخاب‌شده احساس می‌شود.

بهینه‌سازی برنامه‌های اصلاح نژاد باید برمبنای اصول مدون اقتصاد و ژنتیک کمی انجام شود. فناوری‌های ژنومی جدید را می‌توان در بهبود ژنتیک میگو مورد استفاده قرار داد و احتمالاً بیش از گذشته برای دستیابی به خطوط سودده‌تر برای شرایط محیطی خاص مدنظر قرار می‌گیرند. GS مبتنی بر ردیابی هزاران ژن سببی مرتبط با نشان‌گرهای ژنتیکی DNA در ژنوم به جای جستجوی جایگاه‌های تاثیر بزرگ بعنوان مفیدترین گزینه برای استفاده از دانش ژنومی جدید در سرعت بخشیدن به بهبود ژنتیکی و مدیریت بهتر تنوع ژنتیکی پدیدار می‌شود. برای مقاومت در برابر بیماری و سایر صفات، وجود اثرات مهم G×E بیان‌گر نیاز به دقت در انتخاب معیارهای مناسب انتخاب برای محیط‌های مشخص است. اطلاعات فنوتیپ و نشان‌گر بایستی بصورت مشترک در توسعه برنامه‌های بهبود ژنتیکی موثرتر در میگوها با استفاده از تغییرپذیری ژنتیکی درون و بین جمعیت‌ها مورد استفاده قرار بگیرند. فناوری‌های جدید برای اصلاح ژنتیکی، مانند سیستم‌های CRISPR-Cas9، ممکن است برای توسعه برنامه‌های اصلاح نژاد کارآمدتر در میگوها با استفاده از تمامی جمعیت‌های موجود برای اصلاح نژاد، مورد استفاده قرار بگیرند، اما مستلزم آگاهی کاملی از نحوه‌ی مکان‌یابی و اصلاح ژن‌های مرتبط با صفات مهم هستند.

منابع و مراجع

Ali, A., Al-Tobasei, R., Lourenco, D., Leeds, T., Kenney, B., and Salem, M. (2020) Genome-wide identifcation of loci associated with growth in rainbow trout. BMC Genomics 21, 209.

Andriantahina, F., Liu, X., Huang, H., and Xiang, J. (2013) Selection for growth performance of tank-reared Pacifc white shrimp, Litopenaeus vannamei. Chinese Journal of Oceanology and Limnology 31, 534–541.

Bentsen, H.B. and Olesen, I. (2002) Designing aquaculture mass selection programs to avoid high inbreeding rates. Aquaculture 204, 349–359.

Benzie, J.A. (2009) Use and exchange of genetic resources of penaeid shrimps for food and aquaculture. Reviews in Aquaculture 1, 232–250.

Bernal Rodríguez, C.E., García, A.C., Ponce-Palafox, J.T., Spanopoulos-Hernández, M., Puga-López, D., Arredondo-Figueroa, J.L., and Martínez-Cárdenas, L.M. (2017) Te color of marine shrimps and its role in the aquaculture. International Journal of Aquaculture and Fishery Sciences 3, 062-065.

Caballero, A. (2020) Quantitative Genetics. Cambridge University Press, Cambridge, UK.

Caballero-Zamora, A., Cienfuegos-Rivas, E.G., Montaldo, H.H., Campos-Montes, G.R., Martínez-Ortega, A., and Castillo-Juárez, H. (2015a) Genetic parameters for spawning and growth traits in the Pacifc white shrimp (Penaeus (Litopenaeus) vannamei). Aquaculture Research 46, 833–839.

Caballero-Zamora, A., Montaldo, H.H., Campos-Montes, G.R., Cienfuegos-Rivas, E.G., Martínez-Ortega, A., and Castillo-Juárez, H. (2015b) Genetic parameters for body weight and survival in the Pacifc White Shrimp Penaeus (Litopenaeus) vannamei afected by a White Spot Syndrome Virus (WSSV) natural outbreak. Aquaculture 447, 102–107.

Cala, N., Montaldo, H.H., Campos-Montes, G.R., and Castillo-Juárez, H. (2014) Evolution of genetic variability for growth-out survival rate in a selected population of Pacifc white shrimp Penaeus (Litopenaeus) vannamei. In: Proceedings of the 10th World Congress of Genetics Applied to Livestock Production. Vancouver, Canada, 274–275.

Campos-Montes, G.R., Montaldo, H.H., Martínez-Ortega, A., and Castillo-Juárez, H. (2009) Genotype by environment interaction efects for body weight at 130 days of age in the Pacifc white shrimp [Penaeus (Litopenaeus) vannamei]. Veterinaria México 40, 255–268.

Campos-Montes, G.R., Montaldo, H.H., Martínez-Ortega, A., Jiménez, A.M., and Castillo-Juárez, H. (2013) Genetic parameters for growth and survival traits in Pacifc white shrimp Penaeus (Litopenaeus) vannamei from a nucleus population undergoing a two-stage selection program. Aquaculture International 21, 299–310.

Campos-Montes, G.R., Montaldo, H.H., Armenta-Córdova, M., Martínez-Ortega, A., Caballero-Zamora, A., and Castillo-Juárez, H. (2017) Incorporation of tail weight and tail percentage at harvest size in selection programs for the Pacifc white shrimp Penaeus (Litopenaeus) vannamei. Aquaculture 468, 293–296.

Campos-Montes, G.R., Caballero-Zamora, A., Montaldo, H.H., Montoya-Rodríguez, L., Rodríguez-Sala, B.G.G., Rodríguez, S.A.S., Martínez-Ortega, A., Quintana-Casares, J.C., and Castillo-Juárez, H. (2020) Genetic (co) variation in resistance of Pacifc white shrimp Litopenaeus vannamei to acute hepatopancreatic necrosis disease (AHPND) and white spot syndrome virus (WSSV) in challenge tests. Aquaculture 520, 734994.

Castillo-Juárez, H., Campos-Montes, G.R., Caballero-Zamora, A., and Montaldo, H.H. (2015) Genetic improvement of Pacifc white shrimp [Penaeus (Litopenaeus) vannamei]: perspectives for genomic selection. Frontiers in Genetics 6, 93.

Castillo-Juárez, H., Quintana-Casares, J.C., Campos-Montes, G., Cabrera-Villela, C., Martínez-Ortega, A., and Montaldo, H.H. (2007) Heritability for body weight at harvest size in the Pacifc white shrimp, Penaeus (Litopenaeus) vannamei, from a multi-environment experiment using univariate and multivariate animal models. Aquaculture 273, 42–49.

Castillo-Juárez, H., Montaldo, H.H., and Campos-Montes, G.R. (2012) Genetic parameter estimates of the environmental variation for body weight at harvest size in a Pacifc white shrimp breeding population. In: 4th International Conference on Quantitative Genetics: Understanding Variation in Complex Traits. Edinburgh, UK, p. 167.

Castillo-Juárez, H., Montaldo, H.H., Campos-Montes, G.R., Quintana-Casares, J.C., Soto-Rodríguez, S.A., Betancourt-Lozano, M., Martínez-Ortega, A., Lozano-Olvera, R., Gómez-Gil, B., Caballero-Zamora, A., and Gallaga-Maldonado, E.P. (2018) Heritability, genetic line and inbreeding efects on resistance of whiteleg shrimp Penaeus vannamei Boone 1931 to Acute Hepatopancreatic Necrosis Disease (AHPND) in Mexico. Asian Fisheries Science 31, 88–101.

Cock, J., Gitterle, T., Salazar, M., Hayes, B., and Rye, M. (2010) Selective breeding of shrimp. In: Alday-Sanz, V. (ed.) Te Shrimp Book. Nottingham University Press, Nottingham, UK, pp. 377–427.

Cock, J., Gitterle, T., Salazar, M., and Rye, M. (2009) Breeding for disease resistance of Penaeid shrimps. Aquaculture 286, 1–11.

Cock, J., Salazar, M., and Rye, M. (2017) Strategies for managing diseases in non‐native shrimp populations. Reviews in Aquaculture 9, 211–226.

Cuéllar-Anjel, J., White-Noble, B., Schofeld, P., Chamorro, R., and Lightner, D.V. (2012) Report of signifcant WSSV-resistance in the Pacifc white shrimp, Litopenaeus vannamei, from a Panamanian breeding program. Aquaculture 368, 36–39.

D’Agaro, E, Woolliams, J.A., Haley, C.S., and Lanari, D. (2007) Optimizing mating schemes in fsh breeding. Italian Journal of Animal Science 6, 795–796.

Dai, P., Kong, J., Liu, J., Lu, X., Sui, J., Meng, X., and Luan, S. (2020) Evaluation of the utility of genomic information to improve genetic evaluation of feed efciency traits of the Pacifc white shrimp Litopenaeus vannamei. Aquaculture 527, 735421.

Dai, P., Luan, S., Lu, X., Luo, K., Meng, X., Cao, B., and Kong, J. (2017) Genetic assessment of residual feed intake as a feed efciency trait in the Pacifc white shrimp Litopenaeus vannamei. Genetics Selection Evolution 49, 61.

De los Ríos-Pérez, L., Campos-Montes, G.R., Martínez‐Ortega, A., Castillo‐Juárez, H., and Montaldo, H.H. (2015) Inbreeding efects on body weight at harvest size and grow‐out survival rate in a genetic selected population of Pacifc white shrimp Penaeus (Litopenaeus) vannamei. Journal of the World Aquaculture Society 46, 53–60.

De los Ríos-Pérez, L., Campos-Montes, G.R., Martínez-Ortega, A., Castillo-Juárez, H., and Montaldo, H.H. (2017) Inbreeding efects on reproductive traits in a breeding population of Pacifc white shrimp Penaeus (Litopenaeus) vannamei. Aquaculture 479, 442–446.

De Rochambeau, H., Fournet-Hanocq, F., and Khang, J.V.T. (2000) Measuring and managing genetic variability in small populations. Annales de Zootechnie 49, 77–93.

Dickerson, G.E. (1973) Inbreeding and heterosis in animals. Journal of Animal Science 1973 (Issue Symposium), 54–77.

Doyle, R.W. (2016) Inbreeding and disease in tropical shrimp aquaculture: a reappraisal and caution. Aquaculture Research 47, 21–35.

Dupont-Nivet, M., Vandeputte, M., Hafray, P., and Chevassus, B. (2006) Efect of diferent mating designs on inbreeding, genetic variance and response to selection when applying individual selection in fsh breeding programs. Aquaculture 252, 161–170.

Falconer, D.S. and Mackay, T.F.C. (1996) Introduction to Quantitative Genetics, 4th ed. Longmans Green, Harlow, UK.

Fernández, J., Toro, M.Á., Sonesson, A.K., and Villanueva, B. (2014) Optimizing the creation of base populations for aquaculture breeding programs using phenotypic and genomic data and its consequences on genetic progress. Frontiers in Genetics 5, 414.

Fjalestad, K.T., Gjedrem, T., and Gjerde, B. (1993) Genetic improvement of disease resistance in fsh: an overview. Aquaculture 111, 65–74.

Gallaga-Maldonado, E.P. (2020) Efectos de cruzamiento y consanguinidad sobre la resistencia a la necrosis aguda del hepatopáncreas, la enfermedad de la mancha blanca y el crecimiento en camarón blanco del pacífco Litopenaeus vannamei [Crossbreeding and inbreeding efects on disease resistance to acute hepatopancreas necrosis, white spot and growth in the Pacifc white shrimp Litopenaeus vannamei]. PhD thesis. Universidad Nacional Autónoma de México, Mexico.

Gallaga-Maldonado, E.P., Montaldo, H.H., Castillo-Juárez, H., Campos-Montes, G.R., Martínez-Ortega, A., Quintana-Casares, J.C., Montoya-Rodríguez, L., Betancourt-Lozano, M., Lozano-Olvera, R., and Vázquez-Peláez,

734527. (2020) Crossbreeding efects for White Spot Disease resistance in challenge tests and feld pond performance in Pacifc white shrimp Litopenaeus vannamei involving susceptible and resistance lines. Aquaculture 516, 734527.

Garcia, B.F., Montaldo, H.H., Iung, L.H.S., and Carvalheiro, R. (2021) Efect of harvest weight and its uniformity on survival in Litopenaeus vannamei reared in diferent systems. Aquaculture 531, 735891.

Giang, C.T., Knibb, W., Muu, T.T., Ninh, N.H., Nguyen, H.N., and Nguyen, H.N. (2019) Prospects for genetic improvement in objective measurements of body color in Pacifc Whiteleg Shrimp (Litopenaeus vannamei). Journal of Marine Science and Engineering 7, 460.

Gilmour, A.R., Anderson, R.D., and Rae, A.L. (1985) Te analysis of binomial data by a generalized linear mixed model. Biometrika 72, 593–599.

Gjedrem, T. and Baranski, M. (2010) Selective Breeding in Aquaculture: An Introduction. Springer Science & Business Media, Dordrecht, Te Netherlands.

Gjedrem, T. and Rye, M. (2018) Selection response in fsh and shellfsh: a review. Reviews in Aquaculture 10, 168–179.

Gjedrem, T. and Todesen, J. (2005) Selection and Breeding Programs in Aquaculture. Akvaforsk/Springer, Dordrecht, Te Netherlands.

Gratacap, R.L., Wargelius, A., Edvardsen, R.B., and Houston, R.D. (2019) Potential of genome editing to improve aquaculture breeding and production. Trends in Genetics 35, 672–684.

Guppy, J.L., Jones, D.B., Jerry, D.R., Wade, N.M., Raadsma, H.W., Huerlimann, R., and Zenger, K.R. (2018) Te state of “omics” research for farmed penaeids: advances in research and impediments to industry utilization. Frontiers in Genetics 9, 282.

Henderson, C.R. (1984) Applications of Linear Models in Animal Breeding. University of Guelph, Guelph, Canada.

Henryon, M., Liu, H., Berg, P., Su, G., Nielsen, H.M., Gebregiwergis, G.T., and Sørensen, A.C. (2019) Pedigree relationships to control inbreeding in optimum-contribution selection realise more genetic gain than genomic relationships. Genetics Selection Evolution 51, 39.

Hernández‐Ruíz, H., Montaldo, H.H., Bustos‐Martínez, J., Campos‐Montes, G.R., and Castillo‐Juárez, H. (2020) Heritability and genetic correlations for infectious hypodermal and hematopoietic necrosis virus load, body weight at harvest, and survival rate in Pacifc white shrimp (Litopenaeus vannamei). Journal of the World Aquaculture Society 51, 312–323.

Hickey, J.M., Chiurugwi, T., Mackay, I., Powell, W., Eggen, A., Kilian, A., Jones, C., Canales, C., Grattapaglia, D., Bassi, F., and Atlin, G. (2017) Genomic prediction unifes animal and plant breeding programs to form platforms for biological discovery. Nature Genetics 49, 1297.

Hill, W.G. (2010) Understanding and using quantitative genetic variation. Philosophical Transactions of the Royal Society B: Biological Sciences 365, 73–85.

Hill, W.G. (2016) Is continued genetic improvement of livestock sustainable? Genetics 202, 877–881.

Hill, W.G., Goddard, M.E., and Visscher, P.M. (2008) Data and theory point to mainly additive genetic variance for complex traits. PLoS Genetics 4, e1000008.

Holtsmark, M., Sonesson, A.K., Gjerde, B., and Klemetsdal, G. (2006) Number of contributing subpopulations and mating design in the base population when establishing a selective breeding program for fsh. Aquaculture 258, 241–249.

Houston, R.D. (2017) Future directions in breeding for disease resistance in aquaculture species. Revista Brasileira de Zootecnia 46, 545–551.

Houston, R.D., Bean, T.P., Macqueen, D.J., Gundappa, M.K., Jin, Y.H., Jenkins, T.L., Selly, S.L.C., Martin, S.A.M., Stevens, J.R., Santos, E.M. Davie, A., and Robledo, D. (2020) Harnessing genomics to fast-track genetic improvement in aquaculture. Nature Reviews Genetics 21, 389–409.

Howard, J.T., Pryce, J.E., Baes, C., and Maltecca, C. (2017) Invited review: Inbreeding in the genomics era: inbreeding, inbreeding depression, and management of genomic variability. Journal of Dairy Science 100, 6009–6024.

Huang, Y.C., Yin, Z.X., Ai, H. S., Huang, X.D., Li, S.D., Weng, S.P., and He, J.G. (2011) Characterization of WSSV resistance in selected families of Litopenaeus vannamei. Aquaculture 311, 54–60.

Isik, F., Holland, J., and Maltecca, C. (2017) Genetic Data Analysis for Plant and Animal Breeding. Springer International Publishing, New York, NY.

Janssen, K., Saatkamp, H., and Komen, H. (2018) Cost-beneft analysis of aquaculture breeding programs. Genetics Selection Evolution 50, 1–16.

Khatkar, M., Zenger, K., Jones, D., Prochaska, J., van der Steen, H., Jerry, D., and Raadsma, H.W. (2017) Quantitative genomic analyses in the Pacifc whiteleg shrimp Litopenaeus vannamei. Proceedings of the 22nd Conference of the Association for the Advancement of Animal Breeding and Genetics. 2–5 July 2017, Townsville, Queensland, Australia, pp. 121–124.

Lee, S.H., Clark, S., and Van der Werf, J.H. (2017) Estimation of genomic prediction accuracy from reference populations with varying degrees of relationship. PLoS One 12, e0189775.

Lind, C.E., Ponzoni, R.W., Nguyen, N.H., and Khaw, H.L (2012) Selective breeding in fsh and conservation of genetic resources for aquaculture. Reproduction in Domestic Animals 47, 255–263.

Lourenco, D., Legarra, A., Tsuruta, S., Masuda, Y., Aguilar, I., and Misztal, I. (2020) Single-step genomic evaluations from theory to practice: using SNP chips and sequence data in BLUPF90. Genes 11, 790.

Lourenco, D.A.L., Fragomeni, B.O., Tsuruta, S., Aguilar, I., Zumbach, B., Hawken, R.J., Legarra, A., and Misztal, I. (2015) Accuracy of estimated breeding values with genomic information on males, females, or both: an example on broiler chicken. Genetics Selection Evolution 47, 56.

Luan, S., Qiang, G., Cao, B., Luo, K., Meng, X., Chen, B., and Kong, J. (2020) Feed competition reduces heritable variation for body weight in Litopenaeus vannamei. Genetics Selection Evolution 52, 45.

Luo, K., Kong, J., Luan, S., Meng, X.H., Zhang, T.S., and Wang, Q.Y. (2014) Efect of inbreeding on survival, WSSV tolerance and growth at the postlarval stage of experimental full-sibling inbred populations of the Chinese shrimp Fenneropenaeus chinensis. Aquaculture, 32–37.

Lynch, M. and Lande, R. (1998) Te critical efective size for a genetically secure population. Animal Conservation 1, 70–72.

Lynch, M. and Walsh, B. (1998) Genetics and Analysis of Quantitative Traits Vol. 1. Sinauer Associates, Sunderland, MA, USA.

Lyu, D., Yu, Y., Zhang, Q., Luo, Z., Wang, Q., Xiang, J., and Li, F. (2020) Estimating genetic parameters for resistance to Vibrio parahaemolyticus with molecular markers in Pacifc white shrimp. Aquaculture 527, 735439.

Meuwissen, T. (2009) Genetic management of small populations: a review. Acta Agriculturae Scandinavica, Section A–Animal Science 59, 71–79.

Meuwissen, T., Hayes, B., and Goddard, M. (2013) Accelerating improvement of livestock with genomic selection. Annual Review of Animal Biosciences 1, 221–237.

Meuwissen, T., Hayes, B., and Goddard, M. (2016) Genomic selection: a paradigm shif in animal breeding. Animal Frontiers 6, 6–14.

Misztal, I., Lourenco, D., and Legarra, A. (2020) Current status of genomic evaluation. Journal of Animal Science 98, 1–14.

Montaldo, H.H. (2001) Genotype by environment interactions in livestock breeding programs: a review. Interciencia 26, 229–235.

Montaldo, H.H. (2020) Gamete manipulation and conservation for genetic improvement in penaeid shrimp. In: Cryopreservation of Fish Gametes. Springer, Singapore, pp. 345–352.

Montaldo, H.H. and Castillo‐Juárez, H. (2017) Response to strict within‐family selection with special reference to aquaculture. Aquaculture Research 48, 5175–5178.

Montaldo, H.H., Castillo-Juárez, H., Campos-Montes, G.R., and De Los Ríos Pérez, L. (2013a) Passive inbreeding efects on harvesting body weight and survival rate in the Pacifc white shrimp (Litopenaeus (Penaeus) vannamei). Aquaculture 2013, 3–7 November, 2013, Gran Canaria, Spain.

Montaldo, H.H., Castillo-Juárez, H., Campos-Montes, G.R., Peralta-Aban, A., and Martínez-Ortega, A. (2011) Changes in inbreeding and efective population size in a breeding nucleus population of Pacifc white shrimp Penaeus (Litopenaeus) vannamei. World Aquaculture Society 2011, 6–10 June, 2011, Natal, Brazil, 760.

Montaldo, H.H., Castillo‐Juárez, H., Campos‐Montes, G., and Pérez‐Enciso, M. (2013b) Efect of the data family structure, tank replication and the statistical model, on the estimation of genetic parameters for body weight at 28 days of age in the Pacifc white shrimp (Penaeus (Litopenaeus) vannamei Boone, 1931). Aquaculture Research 44, 1715–1723.

Moss, D.R., Arce, S.M., Otoshi, C.A., Doyle, R.W., and Moss, S.M. (2007) Efects of inbreeding on survival and growth of Pacifc white shrimp Penaeus (Litopenaeus) vannamei. Aquaculture 272, S30–S37.

Moss, S.M., Moss, D.R., Arce, S.M., Lightner, D.V. and Lotz, J.M. (2012) Te role of selective breeding and biosecurity in the prevention of disease in penaeid shrimp aquaculture. Journal of Invertebrate Pathology 110, 247–250.

Moss, S.M., Moss, D.R., Shumway, S.E., and Rodrick, G.E. (2009) Selective breeding of penaeid shrimp. In: Shumway,

S.E. and Rodrick, G.E. (eds) Shellfsh Safety and Quality. Woodhead Publishing, Cambridge, UK, pp. 425–452. Mrode, R.A. (2014) Linear Models for the Prediction of Animal Breeding Values, 3rd ed. CABI, Wallingford, UK. Nguyen, N.H. (2016) Genetic improvement for important farmed aquaculture species with a reference to carp, tilapia

and prawns in Asia: achievements, lessons and challenges. Fish 17, 483–506.

Nguyen, N.H., Phuthaworn, C., and Knibb, W. (2020) Genomic prediction for disease resistance to Hepatopancreatic parvovirus and growth, carcass and quality traits in Banana shrimp Fenneropenaeus merguiensis. Genomics 112, 2021–2027.

Nguyen, N.H. and Ponzoni, R.W. (2006) Perspectives from agriculture: advances in livestock breeding-implications for aquaculture genetics. NAGA, WorldFish Center Quarterly 29, 39–45. Nguyen, N.H., Quinn, J., Powell, D., Elizur, A., Toa, N.P., Nocillado, J., Lamont, R., Remilton, C., and Knibb,

1. (2014) Heritability for body color and its genetic association with morphometric traits in Banana shrimp

(Fenneropenaeus merguiensis). BMC Genetics 15, 132.

Nicholas, F.W. (1980) Size of population required for artifcial selection. Genetics Research 35, 85–105.

Nielsen, H.M., Sonesson, A.K., Yazdi, H., and Meuwissen, T.H. (2009) Comparison of accuracy of genome-wide and BLUP breeding value estimates in sib-based aquaculture breeding schemes. Aquaculture 289, 259–264.

Noble, T.H., Wade, N., Coman, G.J., and Jerry, D.R. (2017) Breeding for disease resistance in Australian shrimp: how do we get there? In: Proceedings of the 22nd Conference of the Association for the Advancement of Animal Breeding and Genetics. 2–5 July 2017, Townsville, Queensland, Australia, pp. 129–132.

Nolasco-Alzaga, H.R., Perez-Enriquez, R., Enez, F., Bestin, A., Palacios-Mechetnov, E., and Hafray, P. (2018) Quantitative genetic parameters of growth and fatty acid content in the hemolymph of the Whiteleg shrimp Litopenaeus vannamei. Aquaculture 482, 17–23.

Ødegård, J., Baranski, M., Gjerde, B., and Gjedrem, T. (2011) Methodology for genetic evaluation of disease resistance in aquaculture species: challenges and future prospects. Aquaculture Research 42, 103–114.

Ødegård, J. and Meuwissen, T.H. (2012) Estimation of heritability from limited family data using genome-wide identity-by-descent sharing. Genetics Selection Evolution 44, 16.

Phuthaworn, C., Nguyen, N.H., Quinn, J., and Knibb, W. (2016) Moderate heritability of hepatopancreatic parvovirus titre suggests a new option for selection against viral diseases in banana shrimp (Fenneropenaeus merguiensis) and other aquaculture species. Genetics Selection Evolution 48, 64.

Pirchner, F. (1985) Genetic structure of populations. 1. Closed populations or matings among related individuals. In: Chapman, A.B. (ed.) General and Quantitative Genetics. Elsevier Science, Amsterdam, Te Netherlands, pp. 227–250.

Ponzoni, R.W., Nguyen, N.H., and Khaw, H.L. (2007) Investment appraisal of genetic improvement programs in Nile tilapia (Oreochromis niloticus). Aquaculture 269, 187–199.

Ponzoni, R.W., Nguyen, N.H., Khaw, H.L., and Ninh, N.H. (2008) Accounting for genotype by environment interaction in economic appraisal of genetic improvement programs in common carp Cyprinus carpio. Aquaculture 285, 47–55.

Rutten, M.J.M., Bijma, P., Woolliams, J.A., and Van Arendonk, J.A.M. (2002) SelAction: Sofware to predict selection response and rate of inbreeding in livestock breeding programs. Journal of Heredity 93, 456–458.

Salte, R., Bentsen, H.B., Moen, T., Tripathy, S., Bakke, T.A., Ødegård, J., Omholt, S., and Hansen, L.P. (2010) Prospects for a genetic management strategy to control Gyrodactylus salaris infection in wild Atlantic salmon (Salmo salar) stocks. Canadian Journal of Fisheries and Aquatic Sciences 67, 121–129.

Sae‐Lim, P., Gjerde, B., Nielsen, H.M., Mulder, H., and Kause, A. (2016) A review of genotype‐by‐environment interaction and micro‐environmental sensitivity in aquaculture species. Reviews in Aquaculture 8, 369–393.

Solberg, T.R., Sonesson, A.K., Woolliams, J.A., and Meuwissen, T.H. (2008) Genomic selection using diferent marker types and densities. Journal of Animal Science 86, 2447–2454.

Sonesson, A.K. and Meuwissen, T.H. (2009) Testing strategies for genomic selection in aquaculture breeding programs. Genetics Selection Evolution 41, 37.

Sui, J., Luan, S., Luo, K., Meng, X., Lu, X., Cao, B., Li, W., Chai, Z., Liu, N., Xu, S., and Kong, J. (2016) Genetic parameters and response to selection for harvest body weight of Pacifc white shrimp, Litopenaeus vannamei. Aquaculture Research 47, 2795-2803.

Tan, J., Kong, J., Cao, B., Luo, K., Liu, N., Meng, X., Xu, S., Guo, Z., Chen, G., and Luan, S. (2017) Genetic parameter estimation of reproductive traits of Litopenaeus vannamei. Journal of Ocean University of China 16, 161–167.

Tan, J., Luan, S., Cao, B., Luo, K., Meng, X., and Kong, J. (2019) Evaluation of genetic parameters for reproductive traits and growth rate in the Pacifc white shrimp Litopenaeus vannamei reared in brackish water. Aquaculture 511, 734244.

Trang, T.T., Hung, N.H., Ninh, N.H., Knibb, W., and Nguyen, N.H. (2019a) Genetic variation in disease resistance against White Spot Syndrome Virus (WSSV) in Litopenaeus vannamei. Frontiers in Genetics 10, 264.

Trang, T.T., Hung, N.H., Ninh, N.H., and Nguyen, N.H. (2019b) Selection for improved white spot syndrome virus resistance increased larval survival and growth rate of Pacifc Whiteleg shrimp, Litopenaeus vannamei. Journal of Invertebrate Pathology 166, 107219.

Van der Werf, J.H.J. (2017) Single trait selection index. Excel spreadsheet. Available at: https://jvanderw.une.edu.au/ sofware.htm (accessed July 2020).

VanRaden, P.M. and Wiggans, G.R. (1991) Deviation, calculation, and use of national animal model information. Journal of Dairy Science 74, 2737–2346.

VanRaden, P.M. and Wright, J.R. (2013) Measuring genomic pre-selection in theory and in practice. Interbull Bulletin 47, 147–150.

Van Vleck, L.D. (1993) Selection Index and Introduction to Mixed Model Methods for Genetic Improvement of Animals: Te Green Book. CRC Press, Boca Raton, FL.

Vela-Avitúa, S., Montaldo, H.H., Márquez Valdelamar, L., Campos Montes, G.R., and Castillo Juárez, H. (2013) Decline of genetic variability in a captive population of Pacifc white shrimp Penaeus (Litopenaeus) vannamei using microsatellite and pedigree information. Electronic Journal of Biotechnology 16, 9.

Walsh, B. and Lynch, M. (2018) Evolution and Selection of Quantitative Traits. Oxford University Press, Oxford, UK.

Wang, Q., Yu, Y., Li, F., Zhang, X., and Xiang, J. (2017a) Predictive ability of genomic selection models for breeding value estimation on growth traits of Pacifc white shrimp Litopenaeus vannamei. Chinese Journal of Oceanology and Limnology 35, 1221–1229.

Wang, Q., Yu, Y., Yuan, J., Zhang, X., Huang, H., Li, F., and Xiang, J. (2017b) Efects of marker density and population structure on the genomic prediction accuracy for growth trait in Pacifc white shrimp Litopenaeus vannamei. BMC Genetics 18, 45.

Wang, Q., Yu, Y., Zhang, Q., Zhang, X., Huang, H., Xiang, J., and Li, F. (2019) Evaluation on the genomic selection in Litopenaeus vannamei for the resistance against Vibrio parahaemolyticus. Aquaculture 505, 212–216.

Weller, J.I. (1994) Economic Aspects of Animal Breeding. Chapman & Hall, London, UK.

Weller, J.I. (2016) Genomic Selection in Animals. John Wiley & Sons Inc., Hoboken, NJ.

Weller, J.I. and Ron, M. (2011) Invited review: Quantitative trait nucleotide determination in the era of genomic selection. Journal of Dairy Science 94, 1082–1090.

Wright, S. (1922) Coefcients of inbreeding and relationship. Te American Naturalist 56, 330–338.

Yáñez, J.M., Houston, R.D., and Newman, S. (2014) Genetics and genomics of disease resistance in salmonid species. Frontiers in Genetics 5, 415.

Yáñez, J.M., Joshi, R., and Yoshida, G.M. (2020) Genomics to accelerate genetic improvement in tilapia. Animal Genetics 51, 658–674.

Zenger, K.R., Khatkar, M.S., Jones, D.B., Khalilisamani, N., Jerry, D.R., and Raadsma, H.W. (2019) Genomic selection in aquaculture: application, limitations and opportunities with special reference to marine shrimp and pearl oysters. Frontiers in Genetics 9, 693.

[1] Phenotype(P)

[2] Genetic(G)

[3] Environmental(E)

[4] General mean(µ)

[5] Additive(A)

[6] Dominance(D)

[7] Epistatic interaction(I)

[8] Fxed/environmental efects(fi)

[9] Random animal efects/additive genetic efects(aj)

[10] Random residual environmental efects(eijk)

[11] Additive numerator relationship matrix(AM)

[12] Identical by descent(IBD)

[13] Estimated breeding values(EBV)

[14] Var(EBV-A(

[15] Genomic BLUP(GBLUP)

[16] Genomic relationship matrix(GM)

[17] Combined matrix(HM)

[18] Single-step GBLUP(ssGBLUP)

[19] Identical by state(IBS)

[20] Restricted Maximum Likelihood

[21] Bayesian

[22] COVAB

[23] Selection intensity(D)

[24] Selection accuracy(rA,EBV)

[25] Generation interval(L)

[26] Breeding goal(BG)

[27] Selection index(SI)

[28] Economic index(EI)

[29] Marker-assisted selection(MAS)

[30] Effective population size(Ne)

[31] Bulmer

[32] Mexican hatchery Maricultura del Pacífco(MARPAC)

[33] Viral loads(VL)

[34] Infectious hypodermal and haematopoietic necrosis virus(IHHNV)

[35] Inbreeding level(F)

[36] SelAction

[37] Inbreeding increase(ΔF)